隐藏单元的选择

整流线性单元(ReLu)是隐藏单元极好的默认选择。也可以选择其他隐藏单元，但是选用过程中充满了试验和错误，先直觉认为某种隐藏单元可能表现良好，然后用它组成神经网络进行训练，最后用验证集来评估它的性能。
有些隐藏单元并不是在所有点上可微，比如说Relu在z=0点处不可微，但在实践中，梯度下降对这些机器学习模型仍旧表现的足够好。部分原因是神经网络训练算法通常不会达到代价函数的局部最小值，而是仅仅显著减小它的值，这使我们不再期望训练可以达到梯度为0的点，所以代价函数的最小值对于梯度未定义的点是可接受的。

sigmoid,tanh

sigmoid在Z值较大和较小时都容易饱和。
tanh(z)=2σ(2z)−1$\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}(\mathrm{z})=2\sigma (2\mathrm{z})-1$

整流线型单元及其扩展

为什么选择Relu？
整流线型单元易于优化，因为他们与线性单元十分类似；处于**状态时，导数大且一致。
特点：半整流半线性旨在描述生物神经元的这些性质：1）对于某些输入，生物神经元是完全不活跃的。2）对于某些输入，生物神经元的输出和输入成正比。3）大多数时间，生物神经元是它们不活跃的状态下进行的操作（即具有稀疏**）。
Relu的三个扩展g(z)=max(0,z)+αmin(0,z)$g(z)=max(0,z)+\alpha min(0,z)$：
绝对值整流g(z)=|z|；leaky Relu α=0.01$\alpha =0.01$;参数化整流线性单元学习α$\alpha$。
线性行为更容易优化。