活性化関数（非線形）

活性化関数はニューロンの生の出力（重み付き和）を特定の範囲や形に変換する関数です。代表的なものは ReLU（負→0、正→そのまま）、Sigmoid（0〜1に圧縮）、Tanh（−1〜1に圧縮）です。

蛇口に例えると、水（信号）が入ってきたとき「一定以上だけ通す（ReLU）」や「強すぎれば弱める（Sigmoid・Tanh）」ように流量を調整します。この変換によって次の層に渡す出力が適切になります。

ReLUはシンプルで計算が速い（正ならそのまま、負なら0）ため最も人気です。Sigmoidは確率のような0〜1の出力が必要なとき、Tanhはゼロ中心の出力が欲しいときに使います。

掛けて足す（線形）操作をどれだけ重ねても、結果は掛けて足す一回と同じです。直線をつなげても直線にしかならないように、線形演算だけでは曲線や複雑なパターンは絶対に表現できません。

活性化関数が曲がり（非線形性）を加えます。この曲がりがあるからこそ、層を重ねて曲線や複雑な境界を作り出し、画像・音声・テキストのパターンを学習できるのです。

活性化関数がなければ、ネットワークがどんなに深くても一本の直線でできることしかできません。活性化関数はディープラーニングを「ディープ」にするための不可欠な材料です。

画像認識: 各層で W·X + b を計算した後、ReLUが不要な特徴（負の値）をゼロにし、有用な特徴（正の値）だけを次の層に渡して「目」「耳」「車輪」などを段階的に抽出します。

チャットボット・翻訳: 隠れ層でReLUやGELU（滑らかな改良版）を非線形に使い、最終層でSigmoid（はい/いいえ判定）やSoftmax（複数候補から選択）を使って答えを出します。

音声認識・自動運転: 音波やカメラ映像を数値に変換し、線形＋活性化の層を何度も通して「この単語は何か」「この物体は何か」を判定します。活性化関数なしでは、このような複雑な判断は不可能です。

表でXの区間が分かればYが決まります。