在实际应用场景下，Tanh和Sigmoid函数的使用频率受到多种因素的影响，包括具体任务的需求、网络结构的设计以及激活函数本身的特性等。以下是对两者在实际应用中常用性的分析：
Sigmoid函数
常用场景：
二分类问题的输出层：Sigmoid函数因其输出值范围在(0, 1)之间，非常适合用作二分类问题的输出层，将神经网络的输出解释为属于某一类的概率。
某些特定类型的自编码器：在自编码器的隐藏层中，Sigmoid函数有时会被用来帮助模型学习数据的压缩表示，尤其是当输入数据需要被标准化到[0, 1]范围内时。
优点：
输出范围适合表示概率。
平滑性有助于梯度计算。
缺点：
梯度消失问题：当输入值远离原点时，Sigmoid函数的梯度趋于0，可能导致训练过程中的梯度消失问题。
非零中心化：Sigmoid函数的输出不是以0为中心的，这可能会影响权重更新的效率和收敛速度。
计算复杂度较高：涉及指数运算。
Tanh函数
常用场景：
隐藏层：在深度学习的隐藏层中，Tanh函数因其输出范围在(-1, 1)之间且以0为中心，通常比Sigmoid函数更受欢迎。这有助于加快收敛速度并减少权重更新的偏向问题。
循环神经网络（RNN）等模型：在处理时间序列数据或需要长期依赖的任务时，Tanh函数有时被用于RNN等模型的门控机制中。
优点：
输出以0为中心，有助于加快收敛速度。
梯度问题相对较轻：虽然也存在梯度消失的风险，但相比Sigmoid函数而言，其梯度问题相对较轻。
缺点：
计算复杂度较高：同样涉及指数运算。
梯度消失问题：在输入值极大或极小时，Tanh函数的梯度也会接近0。
总结
在实际应用中，Tanh函数在隐藏层中的使用频率通常高于Sigmoid函数，因为其输出以0为中心的特性有助于加快收敛速度并减少权重更新的偏向问题。然而，在二分类问题的输出层中，Sigmoid函数仍然是不可或缺的选择。此外，随着深度学习技术的发展，ReLU及其变体等新型激活函数因其计算效率高、梯度消失问题较轻等优势逐渐成为主流选择。因此，在选择激活函数时，需要根据具体任务的需求和网络结构的特点进行综合考虑。
