在深度学习中，激活函数为神经网络注入非线性能力以更好拟合复杂数据，损失函数衡量预测误差并指引优化方向，二者分别作用于前向传播和反向传播，协同推动模型训练。
激活函数是神经网络中的非线性函数，用于在神经元之间引入非线性关系，使模型能够学习和表示复杂的数据模式，常见的激活函数有 Sigmoid、Tanh、ReLU 和 Leaky ReLU。损失函数则是评估模型预测值与真实值之间的差异，通过最小化损失函数来优化模型参数，常见的损失函数有均方误差MSE、交叉熵损失Cross-Entropy Loss。一、激活函数（Activation Function）
激活函数是神经网络中的非线性函数，用于在神经元之间引入非线性关系，从而使模型能够学习和表示复杂的数据模式。如果神经网络没有像Relu这样的激活函数（也叫非线性激活函数），神经网络每层就只包含两个线性运算（仿射变换），即点积与加法：output = dot(input, W) + b。这样多个线性层堆叠后，其整体运算仍然是线性的。为了引入非线性因素，即激活函数。Sigmoid和Tanh是早期激活函数，但易梯度消失。ReLU及其改进版（如Leaky ReLU等）解决了此问题，常用于隐藏层。Softmax则专用于多分类输出层，转输出为概率分布。将输入值压缩到(0, 1)之间，常用于二分类问题的输出层。但存在梯度消失问题，且输出不以零为中心。将输入值压缩到(-1, 1)之间，输出均值为0，更适合隐藏层。但同样存在梯度消失问题。当输入大于0时，输出等于输入；当输入小于0时，输出为0。具有计算简单、梯度消失问题较轻的优点，是隐藏层常用的激活函数。但存在神经元死亡问题。解决了ReLU在输入小于0时梯度为0的问题，允许小的梯度流过。将输入向量中的每个元素映射到(0, 1)区间内，并且所有输出元素的和为1。用于多分类问题的输出层，将神经网络的输出转换为概率分布。在深度学习中，损失函数则是评估模型预测值与真实值之间的差异，通过最小化损失函数来优化模型参数。模型通过损失值评估预测性能，并据此指导优化方向。为了优化模型参数，神经网络采用梯度下降等优化算法，通过不断减少损失值，逐步调整模型参数。在选择损失函数时，需考虑任务类型、数据分布以及特定需求，常见的损失函数类型包括均方误差和交叉熵损失等。用于回归问题，计算预测值与真实值之间差的平方的平均值。（2）交叉熵损失（Cross Entropy Loss）用于分类问题，衡量模型预测概率分布与真实概率分布之间的差异。包括二分类交叉熵损失和多类别交叉熵损失。
