在深度学习中，模型的构建和训练过程中会用到多种函数，这些函数在数据处理、模型定义、损失计算、激活以及优化等方面发挥着重要作用。以下是一些常见的深度学习模型中用到的函数：
1. 激活函数
- Sigmoid函数：Sigmoid函数是一种非线性函数，它将任意实值压缩到0和1之间，通常用于二分类问题的输出层。其数学形式为Sigmoid(x) = 1 / (1 + e^(-x))。然而，Sigmoid函数存在梯度消失和计算速度较慢的问题（参考文章2）。
- Tanh函数：Tanh函数也是S形曲线，但与Sigmoid函数不同，其输出范围是-1到1之间，且以0为中心。它通常用于隐藏层，有助于权重更新（参考文章2）。
- ReLU函数：ReLU（Rectified Linear Unit）函数是目前较为流行的激活函数之一，它在输入为正时输出为输入本身，输入为负时输出为0。ReLU函数具有计算速度快的优点，但也存在DeadReLU问题（参考文章2）。
- LeakyReLU函数：LeakyReLU是对ReLU函数的改进，它在负值域加入了一个较小的线性分量，避免了DeadReLU问题（参考文章2）。
- ELU函数：ELU（Exponential Linear Unit）函数在负值区域有一个小的负斜率，使得输出的平均值接近于零，有助于加速学习过程（参考文章2）。
- PReLU函数：PReLU（Parametric Rectified Linear Unit）是ReLU函数的另一种改进，它引入了一个可学习的参数α来调整负值区域的斜率（参考文章2）。
- Softmax函数：Softmax函数用于多分类问题，它将模型的输出转化为概率分布，使得所有类别的概率总和为1（参考文章3）。
2. 损失函数
- MSE（Mean Squared Error）损失函数：用于回归问题，计算预测值与真实值之间差的平方的均值（参考文章1）。
- 交叉熵损失函数：常用于分类问题，特别是与Softmax函数结合使用时，用于衡量真实分布和预测分布之间的差异（参考文章3）。
3. 优化算法相关函数
- SGD（Stochastic Gradient Descent）：随机梯度下降算法，是深度学习中常用的优化算法之一，用于更新模型的参数以最小化损失函数（参考文章1）。
- Adam优化器：Adam是一种基于梯度下降的优化算法，它结合了Momentum和RMSprop算法的思想，具有自适应调整学习率的特点（虽然未直接提及，但Adam是深度学习中广泛使用的优化器之一）。
4. 其他常用函数
- torch.Tensor/tensor：PyTorch中的张量类，用于存储和操作数据（参考文章1）。
- torch.nn.Linear：PyTorch中的线性层，用于实现全连接层（参考文章1）。
- torch.nn.MSELoss：PyTorch中实现的MSE损失函数类（参考文章1）。
- torch.utils.data.DataLoader：PyTorch中的数据加载器，用于随机读取小批量数据并进行乱序处理（参考文章1）。
这些函数在深度学习中发挥着关键作用，从数据处理、模型定义到损失计算和优化算法，它们共同构成了深度学习模型的基础。随着深度学习技术的不断发展，新的函数和算法也在不断涌现，以适应不同的应用场景和需求。