形象的解釋神經網路啟用函式的作用是什麼
神經網路中啟用函式的作用
查閱資料和學習，大家對神經網路中啟用函式的作用主要集中下面這個觀點：
啟用函式是用來加入非線性因素的，解決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 [email protected]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，在這裡加入了自己的思考，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, 用它可以劃出一條線, 把三角形和圓形樣本分割開：
上圖直線是由
得到，那麼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，後面對於要預測的樣本點，帶入模型中，如果y>0,那麼就說明是直線的右側，也就是正類（我們這裡是三角形），如果y<0,那麼就說明是直線的左側，也就是負類（我們這裡是圓形），雖然這和我們的題目關係不大，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麼動，都不可能完全正確的將三角形與圓形區分出來，那麼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，那麼它的分類能力是否強大到能將非線性資料點正確分類開呢~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複雜，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.上面公式合併同類項後等價於下面公式：
嘖嘖，估計大家都看出了，不管它怎麼組合，最多就是線性方程的組合，最後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~
那麼拋開神經網路中神經元需不需要啟用函式這點不說，如果沒有啟用函式，僅僅是線性函式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.那麼加入啟用函式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：
下面我們來講一下啟用函式，我們都知道，每一層疊加完了之後，我們需要加入一個啟用函式（啟用函式的種類也很多，如sigmod等等~）這裡就給出sigmod例子，如下圖：
通過這個啟用函式對映之後，輸出很明顯就是一個非線性函式！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，上面不加入啟用函式神經網路壓根就不可能解決這個問題~
同理，擴充套件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~最後再通過最優化損失函式的做法，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，到底會學到什麼曲線，不知道到底具體的樣子，也許是下面這個~
