首先，简单复习下什么是梯度：梯度是偏微分的集合

• 举例说明：对于 $z=y^2-x^2:\nabla z=(\frac{\partial z}{\partial x},\frac{\partial z}{\partial y})=（2x,2y）$

获取极小值 minima 的方法核心：${\theta }_{t+1}={\theta }_t-\alpha \nabla f({\theta }_t)$

【torch.sigmoid()】$\text{Sigmoid}(x)=\frac{1}{1+e^{-x}}$

• 优点：连续函数，便于求导，可以用作输出层
• 缺点：在变量取绝对值非常大时会出现饱和现象(函数会变得很平)，且对输入的微小改变会变得不敏感；在反向传播时，当梯度接近于0，容易出现梯度消失，从而无法完成深层网络训练

【torch.tanh()】$\text{Tanh}(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$

• 优点：同 sigmoid 且均值是0 (更好)
• 缺点：仍存在饱和问题

【torch.relu()】$\text{ReLU}(x)=\max (0,x)$

• 优点：高效；在x>0区域上，不会出现梯度饱和、梯度消失
• 缺点：Dead ReLU Problem (在x<0时，梯度为0：这个神经元及之后的神经元梯度永远为0，不再对任何数据有所响应，导致相应参数永远不会被更新）