激活函数和传递函数之间似乎有些混淆。来自Wikipedia ANN：
似乎传递函数计算网络，而激活函数计算神经元的输出。但是在Matlab documentation of an activation function我引用：
satlin(N, FP) 是一个神经转移函数。传递函数根据其净输入计算层的输出。
那么谁是对的呢？您可以互换使用术语激活函数或传递函数吗？
【问题讨论】：
标签： machine-learning artificial-intelligence neural-network matlab
我还引用了wikipedia 的内容：“通常每个节点的总和都是加权的，并且总和通过称为激活函数或传递函数的非线性函数传递。 p>
至少在机器学习方面，我读过的所有书籍都可以互换使用它们。
总结一下
【讨论】：
经过一些研究，我在"Survey of Neural Transfer Functions", from Duch and Jankowski (1999) 中发现：
transfer_function = activation function + output function
IMO 这个术语现在很有意义，因为我们需要一个值（信号强度）来验证它，神经元将被激活，然后从中计算输出。而整个过程所做的就是将信号从一层传输到另一层。
两个函数决定了神经元处理信号的方式。这 激活函数决定了神经元接收到的总信号。激活函数的值通常是标量，而 参数是向量。第二个函数决定神经元的 信号处理是输出函数 o(I)，在标量上操作 激活和返回标量值。通常是挤压 函数用于将输出值保持在指定范围内。 这两个函数共同决定了神经元的值 输出信号。激活和输出的组成 函数称为传递函数 o(I(x))。
【讨论】：
我认为图表是正确的，但在术语上并不准确。
传递函数包括图表中的激活函数和传递函数。图中所谓的传递函数通常称为网络输入函数。净输入函数只对输入添加权重并计算净输入，通常等于输入的总和乘以给定的权重。激活函数，可以是sigmoid、step等函数，应用于网络输入生成输出。
【讨论】：
Transfer 函数来自名称转换，用于转换目的。另一方面，激活函数检查输出是否满足某个阈值并输出零或一。非线性传递函数的一些示例是 softmax 和 sigmoid。
例如，假设我们有连续的输入信号 x(t)。这个输入信号通过传递函数H(s)转换成输出信号y(t)。
Y(s) = H(s)X(s)
如上所示，转移函数H(s) 通过转换将输入X(s) 的状态更改为新的输出状态Y(s)。
仔细观察 H(s) 表明它可以表示神经网络中的权重。因此，H(s)X(s) 只是输入信号与其权重的乘积。然后将给定层中的几个输入权重对相加，形成另一层的输入。这意味着神经网络任何层的输入只是其输入和权重的传递函数，即线性变换，因为输入现在由权重变换。但在现实世界中，问题本质上是非线性的。因此，为了使输入数据非线性，我们使用称为激活函数的非线性映射。激活函数是一种决策函数，用于确定特定神经特征的存在。它映射在 0 和 1 之间，其中 0 表示该特征不存在，而 1 表示该特征存在。不幸的是，权重发生的微小变化并不能反映在激活值中，因为它只能取 0 或 1。因此，非线性函数必须在此范围内是连续且可微的。
实际上，在输出激活之前，您首先计算 sigmoid，因为它是连续的和微分的，然后将其用作激活函数的输入，该函数检查 sigmoid 的输出是否高于其激活阈值。神经网络必须能够接受从 -infinity 到 +positiveinfinity 的任何输入，但在某些情况下它应该能够将其映射到介于 {0,1} 或 {-1,1} 之间的输出 - 因此需要激活函数.
【讨论】：
我也是机器学习领域的新手。据我了解...
传递函数： 传递函数计算净重，所以你需要修改你的代码或计算它需要在传递函数之前完成。您可以使用适合您任务的各种传输函数。
激活函数：用于计算阈值，即您的网络何时给出输出。如果您的计算结果大于阈值，它将显示输出，否则不显示。
希望这会有所帮助。
【讨论】：