激活函数可以通过一个 Activation 层使用，或者通过所有前向层支持的 activation 参数使用
model.add(layers.Dense(64, activation=activations.relu))
这等价于
from keras import layers
from keras import activations
model.add(layers.Dense(64))
model.add(layers.Activation(activations.relu))
所有内置激活函数也可以通过其字符串标识符传递
model.add(layers.Dense(64, activation='relu'))
celu 函数keras.activations.celu(x, alpha=1.0)
连续可微指数线性单元。
CeLU 激活函数定义为
celu(x) = alpha * (exp(x / alpha) - 1) (当 x < 0)，celu(x) = x (当 x >= 0)。
其中 alpha 是一个缩放参数，用于控制激活函数的形状。
参数
1.0。参考
elu 函数keras.activations.elu(x, alpha=1.0)
指数线性单元。
指数线性单元 (ELU) 当 alpha > 0 时定义为
x (当 x > 0)exp(x) - 1 (当 x < 0)ELU 具有负值，这使得激活的均值更接近于零。
更接近零的均值激活可以加快学习速度，因为它们使梯度更接近自然梯度。当自变量变小时，ELU 会饱和到负值。饱和意味着导数很小，这会降低变异性以及传播到下一层的信息量。
参数
1.0。参考
exponential 函数keras.activations.exponential(x)
指数激活函数。
参数
gelu 函数keras.activations.gelu(x, approximate=False)
高斯误差线性单元 (GELU) 激活函数。
高斯误差线性单元 (GELU) 定义为
gelu(x) = x * P(X <= x) 其中 P(X) ~ N(0, 1)，即 gelu(x) = 0.5 * x * (1 + erf(x / sqrt(2)))。
GELU 根据输入值对其进行加权，而不是像 ReLU 那样根据输入的符号进行门控。
参数
bool 值，是否启用近似计算。参考
glu 函数keras.activations.glu(x, axis=-1)
门控线性单元 (GLU) 激活函数。
GLU 激活函数定义为
glu(x) = a * sigmoid(b),
其中 x 沿给定轴被分割成两个相等的部分 a 和 b。
参数
-1。参考
hard_shrink 函数keras.activations.hard_shrink(x, threshold=0.5)
Hard Shrink 激活函数。
它定义为
hard_shrink(x) = x (当 |x| > threshold)，否则 hard_shrink(x) = 0。
参数
hard_sigmoid 函数keras.activations.hard_sigmoid(x)
Hard sigmoid 激活函数。
Hard sigmoid 激活函数定义为
0 (当 x <= -3)1 (当 x >= 3)(x/6) + 0.5 (当 -3 < x < 3)它是 sigmoid 激活函数的更快的分段线性近似。
参数
参考
hard_silu 函数keras.activations.hard_silu(x)
Hard SiLU 激活函数，也称为 Hard Swish。
它定义为
0 (当 x < -3)x (当 x > 3)x * (x + 3) / 6 (当 -3 <= x <= 3)它是 silu 激活函数的更快的分段线性近似。
参数
参考
hard_tanh 函数keras.activations.hard_tanh(x)
HardTanh 激活函数。
它定义为：hard_tanh(x) = -1 (当 x < -1)，hard_tanh(x) = x (当 -1 <= x <= 1)，hard_tanh(x) = 1 (当 x > 1)。
参数
leaky_relu 函数keras.activations.leaky_relu(x, negative_slope=0.2)
Leaky relu 激活函数。
参数
float 值，控制低于阈值的斜率。linear 函数keras.activations.linear(x)
线性激活函数（直通）。
“线性”激活函数是恒等函数：它返回未修改的输入。
参数
log_sigmoid 函数keras.activations.log_sigmoid(x)
sigmoid 激活函数的对数。
它定义为 f(x) = log(1 / (1 + exp(-x)))。
参数
log_softmax 函数keras.activations.log_softmax(x, axis=-1)
Log-Softmax 激活函数。
每个输入向量独立处理。axis 参数设置函数沿哪个输入轴应用。
参数
mish 函数keras.activations.mish(x)
Mish 激活函数。
它定义为
mish(x) = x * tanh(softplus(x))
其中 softplus 定义为
softplus(x) = log(exp(x) + 1)
参数
参考
relu 函数keras.activations.relu(x, negative_slope=0.0, max_value=None, threshold=0.0)
应用修正线性单元激活函数。
使用默认值时，这返回标准 ReLU 激活函数：max(x, 0)，即输入张量与 0 的逐元素最大值。
修改默认参数允许您使用非零阈值，更改激活的最大值，以及对低于阈值的值使用输入的非零倍数。
示例
>>> x = [-10, -5, 0.0, 5, 10]
>>> keras.activations.relu(x)
[ 0., 0., 0., 5., 10.]
>>> keras.activations.relu(x, negative_slope=0.5)
[-5. , -2.5, 0. , 5. , 10. ]
>>> keras.activations.relu(x, max_value=5.)
[0., 0., 0., 5., 5.]
>>> keras.activations.relu(x, threshold=5.)
[-0., -0., 0., 0., 10.]
参数
float 值，控制低于阈值的斜率。float 值，设置饱和阈值（函数返回的最大值）。float 值，表示激活函数的阈值，低于此阈值的值将被抑制或设为零。返回值
一个张量，形状和 dtype 与输入 x 相同。
relu6 函数keras.activations.relu6(x)
Relu6 激活函数。
它是 ReLU 函数，但被截断到最大值为 6。
参数
selu 函数keras.activations.selu(x)
缩放指数线性单元 (SELU)。
缩放指数线性单元 (SELU) 激活函数定义为
scale * x (当 x > 0)scale * alpha * (exp(x) - 1) (当 x < 0)其中 alpha 和 scale 是预定义的常数（alpha=1.67326324 和 scale=1.05070098）。
基本上，SELU 激活函数将 scale (> 1) 乘以 keras.activations.elu 函数的输出，以确保正输入的斜率大于一。
alpha 和 scale 的选择使得只要权重初始化正确（参见 keras.initializers.LecunNormal 初始化器）且输入单元数量“足够大”（更多信息请参见参考文献），则连续两层之间的输入均值和方差得以保留。
参数
注意
keras.initializers.LecunNormal 初始化器一起使用。keras.layers.AlphaDropout 一起使用（而不是普通 dropout）。参考
sigmoid 函数keras.activations.sigmoid(x)
Sigmoid 激活函数。
它定义为：sigmoid(x) = 1 / (1 + exp(-x))。
对于小值（<-5），sigmoid 返回接近零的值，对于大值（>5）函数结果接近 1。
Sigmoid 等价于一个双元素 softmax，其中第二个元素假定为零。sigmoid 函数始终返回介于 0 和 1 之间的值。
参数
silu 函数keras.activations.silu(x)
Swish（或 Silu）激活函数。
它定义为：swish(x) = x * sigmoid(x)。
Swish（或 Silu）激活函数是一个平滑、非单调的函数，其上无界而下有界。
参数
参考
softmax 函数keras.activations.softmax(x, axis=-1)
Softmax 将向量值转换为概率分布。
输出向量的元素范围在 [0, 1] 内且总和为 1。
每个输入向量独立处理。axis 参数设置函数沿哪个输入轴应用。
Softmax 常用于分类网络的最后一层激活函数，因为其结果可以解释为概率分布。
每个向量 x 的 softmax 计算为 exp(x) / sum(exp(x))。
输入值是结果概率的对数几率。
参数
soft_shrink 函数keras.activations.soft_shrink(x, threshold=0.5)
Soft Shrink 激活函数。
它定义为
soft_shrink(x) = x - threshold (当 x > threshold)，soft_shrink(x) = x + threshold (当 x < -threshold)，否则 soft_shrink(x) = 0。
参数
softplus 函数keras.activations.softplus(x)
Softplus 激活函数。
它定义为：softplus(x) = log(exp(x) + 1)。
参数
softsign 函数keras.activations.softsign(x)
Softsign 激活函数。
Softsign 定义为：softsign(x) = x / (abs(x) + 1)。
参数
sparse_plus 函数keras.activations.sparse_plus(x)
SparsePlus 激活函数。
SparsePlus 定义为
sparse_plus(x) = 0 (当 x <= -1)。sparse_plus(x) = (1/4) * (x + 1)^2 (当 -1 < x < 1)。sparse_plus(x) = x (当 x >= 1)。
参数
sparsemax 函数keras.activations.sparsemax(x, axis=-1)
Sparsemax 激活函数。
对于每个 batch i 和类别 j，sparsemax 激活函数定义为
sparsemax(x)[i, j] = max(x[i, j] - τ(x[i, :]), 0)。
参数
int，应用 sparsemax 操作的轴。返回值
一个张量，sparsemax 转换的输出。与 x 具有相同的类型和形状。
参考
squareplus 函数keras.activations.squareplus(x, b=4)
Squareplus 激活函数。
Squareplus 激活函数定义为
f(x) = (x + sqrt(x^2 + b)) / 2
其中 b 是一个平滑参数。
参数
参考
tanh 函数keras.activations.tanh(x)
双曲正切激活函数。
它定义为：tanh(x) = sinh(x) / cosh(x)，即 tanh(x) = ((exp(x) - exp(-x)) / (exp(x) + exp(-x)))。
参数
tanh_shrink 函数keras.activations.tanh_shrink(x)
Tanh shrink 激活函数。
它定义为
f(x) = x - tanh(x).
参数
threshold 函数keras.activations.threshold(x, threshold, default_value)
阈值激活函数。
它定义为
threshold(x) = x (当 x > threshold)，否则 threshold(x) = default_value。
参数
x <= threshold 时赋的值。您也可以使用可调用对象作为激活函数（在这种情况下，它应该接受一个张量并返回具有相同形状和 dtype 的张量）
model.add(layers.Dense(64, activation=keras.ops.tanh))
比简单函数更复杂的激活函数（例如，可学习的激活函数，它们维护状态）可作为 高级激活层 使用。