卷积神经网络——非线性激活
首先我们回顾一下在《卷积神经网络简介》一文中提到的经典LeNet网络结构，如图1所示：
图 1 LeNet网络结构
我们注意到在每个卷积操作“Convolution”之后紧跟了一个“ReLU”操作，没错，这里的ReLU就是一种非线性激活函数，用于在每个卷积操作后进行附加运算。
ReLU（Rectified Linear Unit），又称为修正线性单元，是一种非线性运算。其输出如下：
图 2 ReLU
ReLU是一种按元素的操作（应用于每个像素），并将特征图中的所有负像素值替换为零。 ReLU的目的是在我们的CNN中引入非线性，因为我们希望ConvNet学习的大多数现实世界数据都是非线性的（卷积是线性运算–按元素的矩阵乘法和加法运算），因此我们通过引入诸如ReLU之类的非线性函数来解决非线性问题。
Tips：“大多数现实世界数据都是非线性的”，如何理解这句话呢？举个例子：加入你在寒冷的冬天，手上握着1个火把能让你的体温上升1度，那么握着2个火把可能让你的体温上升1.5度。因为火把的个数和体温上升并不是线性关系。
那我们看一下卷积操作得到的特征图在通过ReLU函数非线性激活之后得到的修正特征图，如图3所示：
问题：细心的小伙伴可能会发现，图像的像素值范围不是0~255吗，为什么特征图里会有负值？（答案在文末）
图 3 ReLU修正特征图
当然，我们也可以使用其他非线性函数（例如tanh或Sigmoid）代替ReLU，但是已经发现ReLU在大多数情况下的性能更好。不过，ReLU本身也有一些弊端，例如特征图中的负像素可能也包含有价值的信息，ReLU则将其全部置零。因此，人们也对ReLU进行了改进，有了ReLU，Leaky ReLU，PReLU，RReLU等。
答案：确实原始图像的像素值只能是0~255，但是卷积核里的数值可以为负，所以使用卷积核卷积得到的特征图也会有负像素值出现。
