激励层(ReLU layer)是把卷积层输出结果做非线性映射，因为卷积层的计算是一种线性计算，对非线性情况无法很好拟合。有时也会把卷积层和激励层合并在一起称为“卷积层”。

CNN采用非线性函数作为其激励函数。以最常见的ReLU(The Rectified Linear Unit修正线性单元)为例，如图所示，它是一个分段线性函数，但其拥有非线性表达的能力，即不同的样本通过ReLU后，有些得到的值是0，有些是x=WU+B（U为激励层的输入），因此虽然ReLU为分段线性函数，但输出空间仍是输入空间的非线性变换得来的。它的特点是收敛速度快，计算量较小，但较脆弱。除此之外还有sigmoid 、tanh函数等。

relu这种“看似线性”（分段线性）的激活函数所形成的网络，居然能够增加非线性的表达能力。 1、首先什么是线性的网络，如果把线性网络看成一个大的矩阵M。那么输入样本A和B，则会经过同样的线性变换MA，MB（这里A和B经历的线性变换矩阵M是一样的）。 2、的确对于单一的样本A，经过由relu激活函数所构成神经网络，其过程确实可以等价是经过了一个线性变换M1，但是对于样本B，在经过同样的网络时，由于每个神经元是否激活（0或者Wx+b）与样本A经过时情形不同了（不同样本），因此B所经历的线性变换M2并不等于M1。因此，relu构成的神经网络虽然对每个样本都是线性变换，但是不同样本之间经历的线性变换M并不一样，所以整个样本空间在经过relu构成的网络时其实是经历了非线性变换的。 3、还有一种解释就是，不同样本的同一个feature，在通过relu构成的神经网络时，流经的路径不一样（relu激活值为0，则堵塞；激活值为本身，则通过），因此最终的输出空间其实是输入空间的非线性变换得来的。 4、更极端的，不管是tanh还是sigmoid，你都可以把它们近似看成是分段线性的函数（很多段），但依然能够有非线性表达能力；relu虽然只有两段，但同样也是非线性激活函数，道理与之是一样的。 5、relu的优势在于运算简单，网络学习速度快