参考：http://cs231n.github.io/neural-networks-1/

2.tanh（反正切）函数

这个函数的取值范围为[-1,+1]，其实看图也可以发现这个函数与上一章所述的sigmoid函数类似，但是由于这个函数是0对称的，所以实际应用中tanh的效果会略好于sigmoid函数

 另外它的求导函数也是很简单，所以应用还是很方便的。

3.ReLU（Rectified Linear Unit）函数

ReLU单元比tanh单元具有6倍的收敛速度提升。左图为其函数图形，右图是它的收敛速度。

函数公式为f(x)=max(0,x)

优点：梯度下降时收敛速度更快，设计简单

缺陷：在输入过大时候，即梯度过大时候，会导致权重梯度过大，导致整个权重更新为0甚至负数，导致整个神经节点输出会一

直为0，简称神经节点垮掉了。

具体推导参考上章的公式，很容易推到出来的。

处理方法：选择一个适合的学习速率，可以使这种情况不容易发生。

4、leaky ReLU

图和上面差不多，函数修正为f(x)=1(x<0)(ax)+1(x>=0)(x) 其中a是一个很小的常量。简单来说，就是当x<0时，f(x)不再是0，而是一个很小的数值。

这样在一定程度上是缓解了ReLU的问题，但是却还是会发生。

5、softmax

用于多分类神经网络输出

softmax相当于是sigmoid的扩展，当k=2时就退化为二分类问题了。

不过，感觉softmax多用于全连接层，很少用于隐藏层。

好吧以上的全是关于常用的**函数的介绍，但是**函数很多，我这理一理要好久……大概以后有空会再理一理。

现在就放上这几个常用的，算是结束关于**函数的介绍了。**函数有很多，需要根据自身的需要选择，不过以上这几个对于初学者了解已经够了。

下面开始介绍全连接层，✿✿ヽ(°▽°)ノ✿

FC(fully connected layers)全连接层：

全连接层在剩个神经网络中起到‘分类器‘的作用，个人认为这是神经网络最难的一部分，最需要仔细理解的一部分。

现在我们慢慢一点一点来。