此文轉自知乎，哈工大NLPer 憶臻
原出處：https://zhuanlan.zhihu.com/p/25279356
查閱資料和學習，大家對神經網絡中激活函數的作用主要集中下面這個觀點：
- 激活函數是用來加入非線性因素的，解決線性模型所不能解決的問題。
下面我分別從這個方面通過例子給出自己的理解~
@lee philip@顏沁睿倆位的回答已經非常好了，我舉的例子也是來源於他們，在這里加入了自己的思考，更加詳細的說了一下~
開講~
首先我們有這個需求，就是二分類問題，如我要將下面的三角形和圓形點進行正確的分類，如下圖：
利用我們單層的感知機, 用它可以划出一條線, 把平面分割開：
上圖直線是由
得到，那么該感知器實現預測的功能步驟如下，就是我已經訓練好了一個感知器模型，后面對於要預測的樣本點，帶入模型中，如果
,那么就說明是直線的右側，也就是正類（我們這里是三角形），如果
,那么就說明是直線的左側，也就是負類（我們這里是圓形），雖然這和我們的題目關系不大，但是還是提一下~
好吧，很容易能夠看出，我給出的樣本點根本不是線性可分的，一個感知器無論得到的直線怎么動，都不可能完全正確的將三角形與圓形區分出來，那么我們很容易想到用多個感知器來進行組合，以便獲得更大的分類問題，好的，下面我們上圖，看是否可行：
好的，我們已經得到了多感知器分類器了，那么它的分類能力是否強大到能將非線性數據點正確分類開呢~我們來分析一下：
我們能夠得到
哎呀呀，不得了，這個式子看起來非常復雜，估計應該可以處理我上面的情況了吧，哈哈哈哈~不一定額，我們來給它變個形.上面公式合並同類項后等價於下面公式：
嘖嘖，估計大家都看出了，不管它怎么組合，最多就是線性方程的組合，最后得到的分類器本質還是一個線性方程，該處理不了的非線性問題，它還是處理不了。
就好像下圖，直線無論在平面上如果旋轉，都不可能完全正確的分開三角形和圓形點：
既然是非線性問題，總有線性方程不能正確分類的地方~
那么拋開神經網絡中神經元需不需要激活函數這點不說，如果沒有激活函數，僅僅是線性函數的組合解決的問題太有限了，碰到非線性問題就束手無策了.那么加入激活函數是否可能能夠解決呢？
在上面線性方程的組合過程中，我們其實類似在做三條直線的組合，如下圖：
下面我們來講一下激活函數，我們都知道，每一層疊加完了之后，我們需要加入一個激活函數（激活函數的種類也很多，如sigmoid等等~）這里就給出sigmoid例子，如下圖：
通過這個激活函數映射之后，輸出很明顯就是一個非線性函數！能不能解決一開始的非線性分類問題不清楚，但是至少說明有可能啊，上面不加入激活函數神經網絡壓根就不可能解決這個問題~
同理，擴展到多個神經元組合的情況時候，表達能力就會更強~對應的組合圖如下：（現在已經升級為三個非線性感知器在組合了）
跟上面線性組合相對應的非線性組合如下：
這看起來厲害多了，是不是~最后再通過最優化損失函數的做法，我們能夠學習到不斷學習靠近能夠正確分類三角形和圓形點的曲線，到底會學到什么曲線，不知道到底具體的樣子，也許是下面這個~
那么隨着不斷訓練優化，我們也就能夠解決非線性的問題了~
所以到這里為止，我們就解釋了這個觀點，加入激活函數是用來加入非線性因素的，解決線性模型所不能解決的問題。
注：參考於@lee philip@顏沁睿倆位的回答，以上圖片大部分摘自於@顏沁睿
感謝郭江師兄，森棟師兄，德川的討論交流~
希望知友提出問題一起交流~
最近開通了個人公眾號 [憶臻筆記] 或者微信號 [yizhennotes]，用於記錄自己在本科，碩士甚至博士期間關於ml，nlp學習和生活的筆記和感悟，可能沒有很難很偏的知識，但一定是我理解的干貨~歡迎掃描下面二維碼關注一波~期待和你一起學習交流~