激活函数的引入和增强模型的非线性拟合能力。()A. 对B. 错

考查要点：本题主要考查对激活函数在神经网络中的作用的理解，特别是其对模型非线性拟合能力的影响。

解题核心思路：
神经网络的核心目标是通过多层非线性变换拟合复杂数据关系。若无激活函数，网络只能进行线性变换叠加，无法捕捉非线性模式。非线性激活函数（如ReLU、Sigmoid）的引入打破了这种限制，使模型能够组合不同层次的非线性特征，从而增强拟合能力。

破题关键点：

• 线性组合的局限性：多层线性变换仍为线性函数。
• 非线性激活的作用：打破线性约束，使网络能学习复杂关系。

1. 线性模型的局限性
假设神经网络仅包含线性变换（无激活函数），则无论隐藏层数量多少，最终输出均为输入的线性组合。例如，若输入为$\mathbf{x}$，经过两层线性变换后输出为：
$\mathbf{y} = \mathbf{W}_2 \mathbf{W}_1 \mathbf{x} + \mathbf{b}_2 + \mathbf{W}_2 \mathbf{b}_1$
这等价于单层线性模型$\mathbf{y} = \mathbf{W}\mathbf{x} + \mathbf{b}$，无法处理非线性问题（如异或问题）。

2. 激活函数的作用
引入非线性激活函数$f(\cdot)$后，每层输出变为：
$\mathbf{h}_1 = f(\mathbf{W}_1 \mathbf{x} + \mathbf{b}_1), \quad \mathbf{y} = \mathbf{W}_2 \mathbf{h}_1 + \mathbf{b}_2$
此时，网络能通过逐层叠加非线性特征，组合出复杂的非线性映射。例如，ReLU激活函数$f(x)=\max(0,x)$可让模型学习分段线性函数，组合后能近似任意非线性函数。

3. 实例验证
经典异或（XOR）问题需非线性模型解决。单层感知机（无激活）无法拟合，但两层网络（含激活函数）可通过非线性组合正确分类。