神经网络只是由两个或多个线性网络层叠加，并不能学到新的东西，简单地堆叠网络层，不经过非线性激活函数激活，学到的仍然是线性关系。

但是加入激活函数可以学到非线性的关系，就具有更强的能力去进行特征提取。

构造数据

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltx = torch.linspace(-5, 5, 200) # 构造一段连续的数据x = Variable(x) # 转换成张量x_np = x.data.numpy() # 换成 numpy array, 出图时用

Relu

表达式：

代码：

y_relu = F.relu(x).data.numpy()plt.plot(x_np, y_relu, c='red', label='relu')plt.ylim((-1, 5))plt.legend(loc='best')plt.show()

形状如图：

Sigmoid

表达式：

代码：

y_sigmoid = F.sigmoid(x).data.numpy()plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')plt.ylim((-0.2, 1.2))plt.legend(loc='best')plt.show()

形状如图：

Tanh

表达式：

代码：

y_tanh = F.tanh(x).data.numpy()plt.plot(x_np, y_tanh, c='red', label='tanh')plt.ylim((-1.2, 1.2))plt.legend(loc='best')plt.show()

形状如图：

Softplus

表达式：

代码：

y_softplus = F.softplus(x).data.numpy()plt.plot(x_np, y_softplus, c='red', label='softplus')plt.ylim((-0.2, 6))plt.legend(loc='best')plt.show()

形状如图：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。