神经网络中，会得到w0,w1,...wn，这些是各个特征的权重，如果输出output = w0x0+w1x1+...+wnxn 则训练得到的是特征的线性组合，如果只是线性组合，我们完全可以去掉所有隐藏层。
事实上，有很多情况下，特征与输出之间的关系是非线性的，所以我们需要一个通用的，可以逼近所有（线性与非线性）关系的网络
引入非线性激活函数的原因就在这里。
深度学习中，激活函数通常指能够实现非线性映射的函数
常见激活函数：
softmax函数
使用方法：
1、不同层的激活函数可以是不一样的。
2、sigmoid函数一般只用在2分类的输出层，且结果与softmax激活函数输出相同，我一般习惯统一使用softmax
3、ReLU (修正线性单元 Rectified Linear Unit) 最常用 y = max(0,x)
4\