在神經網路的各神經元中，對輸入的加權和（加上偏差）所套用的函數。使用非線性函數，能讓多層堆疊的網路表示複雜的關係。隱藏層常用ReLU，輸出層則多半在二元分類使用S型函數（sigmoid），多類別分類使用softmax函數，迴歸使用恆等函數（不做任何變換的函數）。
日文名稱: 活性化関数
「啟動函數（Activation function）」出現在2領域的5道練習題中（機器學習基礎, AI硬體與軟體堆疊等）。
這個名詞所屬的領域: 機器學習基礎
若不使用啟動函數（使用恆等函數），各層就只剩矩陣乘法與向量加法。無論疊幾次線性變換，都能合併成一個線性變換，因此不管層數多深，能表示的都只是輸入的一次式。夾入非線性的啟動函數後，就能表示像XOR這種無法以一條直線分開的關係，以及更複雜的關係。
S型函數 σ(z) = 1 ÷ (1 + e^(−z)) 的輸出落在0到1之間，可當作機率處理。tanh的輸出落在−1到1之間，是以0為中心的值。ReLU(z) = max(0, z) 是正的輸入原樣輸出、0以下的輸入輸出0的簡單函數，計算量小且梯度不易消失，因此是深層網路隱藏層的標準選擇。將ReLU平滑化的GELU等函數也很常用。
S型函數與tanh在輸入的絕對值大時，輸出會停在固定值附近，導數幾乎為0。S型函數的導數最大只有0.25，因此層數一多，梯度在反向傳播時會因連乘而變小，使靠近輸入的層難以學習（梯度消失）。ReLU在正的範圍導數為1，梯度不易變小。另一方面，輸入始終為負的神經元梯度一直為0而停止學習，因此也有在負的範圍給予小斜率的Leaky ReLU等函數。
它被視為多類別分類輸出層所用的啟動函數之一。不同於其他啟動函數對各神經元分別計算，softmax函數會使用輸出層的所有值，將其轉換為總和為1的機率。
沒有關係。神經網路的啟動函數，名稱源自模仿神經細胞興奮（發火）的樣子。半導體製程中的活化，是指以熱處理使離子佈植的雜質進入晶格位置，成為能提供載子的狀態。
在反向傳播中，各層啟動函數的導數會依序乘到梯度上。
在堆疊許多層的神經網路中，若啟動函數使用S型函數，靠近輸入的層會難以學習，其理由為何者？矩陣相乘之後，經常接著加上偏差、啟動函數、正規化等逐元素運算。
AI計算中使用的「運算融合（運算子融合）」，其主要目的為下列何者？計算圖是將矩陣相乘、加法、啟動函數等運算作為節點，將在它們之間流動的張量作為箭頭的模型計算藍圖。
AI框架或編譯器中使用的「計算圖」，下列說明何者正確？在中間加入隱藏層並使用非線性啟動函數的多層感知器，也能表示XOR。
只由輸入層與輸出層構成的簡單感知器（以閾值輸出0或1的單一神經元）無法表示的邏輯函數為何者？ReLU是輸入為正時原樣輸出、0以下時輸出0的啟動函數。
某個輸入為 x₁ = 1、x₂ = 2 的小型神經網路，隱藏層的兩個神經元為 h₁ = ReLU(x₁ + x₂ − …反向傳播（Backpropagation） 運算融合（Operator fusion） 計算圖（Computational graph） 主成分分析（PCA） 正規化（Regularization） 交叉驗證（Cross-validation） 卷積神經網路（CNN） 非監督式學習（Unsupervised learning） 強化學習（Reinforcement learning） 梯度下降法（Gradient descent）