我正在使用 Tensorflow 使用只有一个隐藏层的简单神经网络，然后我尝试了隐藏层的不同激活：
- 热路
- 乙状结肠
- Softmax（嗯，通常softmax用在最后一层..）
Relu 提供了最好的训练精度和验证精度。我不知道如何解释这一点。
我们知道 Relu 有很好的特性，比如稀疏性，比如 no-gradient-vanishing 等，但是
问：Relu 神经元总体上是否优于 sigmoid/softmax 神经元？我们应该几乎总是在 NN（甚至 CNN）中使用 Relu 神经元吗？ 我认为更复杂的神经元会带来更好的结果，如果我们担心过度拟合，至少可以训练准确性。
谢谢 PS：代码基本上来自“Udacity-Machine learning -assignment2”，它是使用简单的 1-hidden-layer-NN 对 notMNIST 的识别。
batch_size = 128
graph = tf.Graph()
with graph.as_default():
# Input data.
tf_train_dataset = tf.placeholder(tf.float32, shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
# hidden layer
hidden_nodes = 1024
hidden_weights = tf.Variable( tf.truncated_normal([image_size * image_size, hidden_nodes]) )
hidden_biases = tf.Variable( tf.zeros([hidden_nodes]))
hidden_layer = **tf.nn.relu**( tf.matmul( tf_train_dataset, hidden_weights) + hidden_biases)
# Variables.
weights = tf.Variable( tf.truncated_normal([hidden_nodes, num_labels]))
biases = tf.Variable(tf.zeros([num_labels]))
# Training computation.
logits = tf.matmul(hidden_layer, weights) + biases
loss = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(logits, tf_train_labels) )
# Optimizer.
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
# Predictions for the training, validation, and test data.
train_prediction = tf.nn.softmax(logits)
valid_relu = **tf.nn.relu**( tf.matmul(tf_valid_dataset, hidden_weights) + hidden_biases)
valid_prediction = tf.nn.softmax( tf.matmul(valid_relu, weights) + biases)
test_relu = **tf.nn.relu**( tf.matmul( tf_test_dataset, hidden_weights) + hidden_biases)
test_prediction = tf.nn.softmax(tf.matmul(test_relu, weights) + biases)