ReLU

 
tensorflow中：tf.nn.relu(features, name=None)

LReLU

(Leaky-ReLU) 
 
其中aiai是固定的。ii表示不同的通道對應不同的aiai. 
tensorflow中：tf.nn.leaky_relu(features, alpha=0.2, name=None)

PReLU

 
其中aiai是可以學習的的。如果ai=0ai=0，那麼 PReLU 退化為ReLU；如果 aiai是一個很小的固定值（如ai=0.01ai=0.01），則 PReLU 退化為 Leaky ReLU（LReLU）。 
PReLU 只增加了極少量的引數，也就意味著網路的計算量以及過擬合的危險性都只增加了一點點。特別的，當不同 channels 使用相同的a

CReLU

（Concatenated Rectified Linear Units） 
 
tensorflow中：tf.nn.crelu(features, name=None)

ELU

 
 
其中α是一個可調整的引數，它控制著ELU負值部分在何時飽和。 
右側線性部分使得ELU能夠緩解梯度消失，而左側軟飽能夠讓ELU對輸入變化或噪聲更魯棒。ELU的輸出均值接近於零，所以收斂速度更快 
tensorflow中：tf.nn.elu(features, name=None)

SELU

 
經過該啟用函式後使得樣本分佈自動歸一化到0均值和單位方差(自歸一化，保證訓練過程中梯度不會爆炸或消失，效果比Batch Normalization 要好) 
其實就是ELU乘了個lambda，關鍵在於這個lambda是大於1的。以前relu，prelu，elu這些啟用函式，都是在負半軸坡度平緩，這樣在activation的方差過大的時候可以讓它減小，防止了梯度爆炸，但是正半軸坡度簡單的設成了1。而selu的正半軸大於1，在方差過小的的時候可以讓它增大，同時防止了梯度消失。這樣啟用函式就有一個不動點，網路深了以後每一層的輸出都是均值為0方差為1。

tensorflow中：tf.nn.selu(features, name=None)