前言

基于前两篇文章《深度学习入门（6）误差反向传播基础---计算图与链式法则》《深度学习入门（7）误差反向传播计算方式及简单计算层的实现》计算图基础及其简单层的实现，本文主要介绍如何将计算图运用到神经网络中，通过定义一个类的方式用计算图实现激活函数的 ReLU层和 Sigmoid层，让其成为构成神经网络的一个基础层。

一、ReLU层计算图及其代码实现

如果正向传播时的输入x大于0，则反向传播会将上游的值原封不动地传给下游。反过来，如果正向传播时的x小于等于0，则反向传播中传给下游的信号将停在此处。

如果正向传播时的输入值小于等于0，则反向传播的值为0。因此，反向传播中会使用正向传播时保存的 mask，将从上游传来的 dout的mask中的元素为 True的地方设为0。、

注：ReLU 层的作用就像电路中的开关一样。正向传播时，有电流通过的话，就将开关设为ON；没有电流通过的话，就将开关设为OFF。反向传播时，开关为ON的话，电流会直接通过；开关为OFF的话，则不会有电流通过。

二、Sigmoid层计算图及其代码实现

计算图：

图中，除了“ ×”和“ +”节点外，还出现了新的“ exp”和“ /”节点。“ exp”节点会进行y = exp(x)的计算，“ /”节点会进行y=1/x的计算。

计算图可以画成下图的集约化的“ sigmoid”节点。

通过对节点进行集约化，可以不用在意Sigmoid层中琐碎的细节，而只需要专注它的输入和输出。

这个实现中，正向传播时将输出保存在了实例变量 out中。然后，反向传播时，使用该变量 out进行计算。

总结

本文主要介绍了激活函数的 ReLU层和 Sigmoid层计算图的表示方式，以及代码实现。