（1）防止過擬合。Relu會使一部分神經元的輸出爲0，這樣就造成了網絡的稀疏性，並且減少了參數的相互依存關係，緩解了過擬合問題的發生。
（2）可以實現深層網絡的訓練。對於深層網絡，sigmoid函數反向傳播時，很容易就會出現梯度消失的情況，在sigmoid接近飽和區時，變換太緩慢，導數趨於0，這種情況會造成信息丟失，從而無法完成深層網絡的訓練。
（3）計算量小，加速網絡的訓練。採用tanh、sigmoid等函數，計算激活函數時，指數運算計算量大，反向傳播求誤差梯度時，求導涉及除法，計算量相對大，而採用Relu激活函數，整個過程的計算量節省很多。