最近出现了一个新的激活函数：缩放指数线性单元（scaled exponential linear units，selu），根据该激活函数得到的网络具有自归一化功能。
首先给出文章地址：https://arxiv.org/pdf/1706.02515.pdf
然后大概讲一下这个激活函数的作用（个人理解，也有可能有误）。
一般在深度学习中，在每层添加批处理能够使得网络收敛的更快，同时在效果上也有提升。
这篇文章就在思考，能不能够提出一种激活函数，经过该激活函数后使得样本分布自动归一化到0均值和单位方差，在这篇文章中，作者给出了长达97的证明，证明了在满足以下两个条件的情况下，使用该激活函数后使得样本分布满足零均值和单位方差：
1 按照给定的参数对权重初始化：对于正态分布的初始化，初始化参数为0均值，方差为sqrt(1/n),n是输入的通道个数，在tensorflow里面提供的比较好的实现：
tf.initializers.variance_scaling_initializer(factor=1.0,model=’FAN_IN’)
也可以自己直接指定，详细的参数介绍可以看看下面的网站：http://www.cnblogs.com/denny402/p/6932956.html
2 按照给定的参数对样本计算激活函数：
其中lamada：1.0507009873554804934193349852946
alpha：1.6732632423543772848170429916717
这两个值是在文章中进行证明后得到的，如果需要得到归一化后得到指定均值和方差的lamada和alpha，文章中也给出了相应的计算公式。
下面给出tensorflow中实现的selu激活函数：
def selu(x):
with ops.name_scope('elu') as scope:
alpha = 1.6732632423543772848170429916717
scale = 1.0507009873554804934193349852946
return scale*tf.where(x>0.0,x,alpha*tf.nn.elu(x))