形象的解釋神經網路激活函數的作用是什麼？

查閱資料和學習，大家對神經網路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, 用它可以划出一條線, 把平面分割開：

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,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,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.那麼加入激活函數是否可能能夠解決呢？

在上麵線性方程的組合過程中（在加入階躍激活函數的時候），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，每一層疊加完了之後，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~）這裡就給出sigmoid例子，如下圖：

通過這個激活函數映射之後，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路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）

跟上麵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，到底會學到什麼曲線，不知道到底具體的樣子，也許是下面這個~

那麼隨著不斷訓練優化，我們也就能夠解決非線性的問題了~

所以到這裡為止，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。

註：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~