在构建深度学习模型时，选择ReLU作为激活函数的原因可能有什

A：它能够将任意输入映射到(0, 1)区间内，适用于二分类问题的输出层。

• ReLU 的数学形式是 f(x)=max⁡(0,x)f(x)=max(0,x)，输出范围是 [0,+∞)[0,+∞)，并不是 (0,1) 区间。

• 将输入映射到 (0,1) 的是 Sigmoid 函数。

• ❌ 错误

B：它解决了 Sigmoid 和 Tanh 函数在深度网络中容易出现的梯度消失问题。

• Sigmoid 和 Tanh 在输入绝对值较大时梯度趋近于 0，导致深层网络反向传播时梯度消失。

• ReLU 在 x>0x>0 部分导数为 1，不会缩小梯度，能缓解梯度消失。

• ✅ 正确

C：它是一种概率分布函数，适用于多分类问题的输出层。

• 多分类输出层通常用 Softmax，把输出转换成概率分布。

• ReLU 不是概率分布函数。

• ❌ 错误

D：计算效率高，实现高效，可加速神经网络的训练过程。

• ReLU 只需比较取最大值，没有指数运算，比 Sigmoid/Tanh 计算快。

• ✅ 正确