1. 激活函数的使用

• 激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递activation参数实现

  from keras.layers import Activation, Densemodel.add(Dense(64))model.add(Activation('tanh'))# 等价于model.add(Dense(64, activation='tanh'))# 你也可以通过传递一个【逐元素运算】的Theano/TensorFlow/CNTK函数来作为激活函数：from keras import backend as Kmodel.add(Dense(64, activation=K.tanh))model.add(Activation(K.tanh))

2. keras支持的激活函数

1. softmax
2. elu (指数线性单元)
3. selu (可伸缩的指数线性单元)
   • SELU 等同于：scale * elu(x, alpha)，其中 alpha 和 scale 是预定义的常量。只要正确初始化权重（参见 lecun_normal 初始化方法）并且输入的数量「足够大」（参见Self-Normalizing Neural Networks），选择合适的 alpha 和 scale 的值，就可以在两个连续层之间保留输入的均值和方差。(即可以保证activation value稳定传播，有点后来的BN的作用)
4. softplus (log(exp(x) + 1))
5. softsign (x / (abs(x) + 1))
6. relu (cs231n推荐)
   • 线性修正单元激活：如果 x > 0，返回值为 x；如果 x < 0，返回值为 alpha * x。alpha：负数部分的斜率，默认为 0。如果定义了 max_value，则结果将截断为此值。
7. tanh
8. sigmoid
9. hard_sigmoid
   • 计算速度比 sigmoid 激活函数更快。如果 x < -2.5，返回 0。如果 x > 2.5，返回 1。如果 -2.5 <= x <= 2.5，返回 0.2 * x + 0.5。
10. linear (线性激活函数，即不做任何改变)
11. 对于Theano/TensorFlow/CNTK不能表达的复杂激活函数，如含有可学习参数的激活函数，可通过实现，可以在 keras.layers.advanced_activations 模块中找到。 这些高级激活函数包括 PReLU 和 LeakyReLU