$$ f(x) = \frac{e^x-e^{-x}}{e^x+e^{-x}} $$
实际上，Tanh函数是Sigmoid函数的变形：
$$ Tanh(x) = 2Sigmoid(2x) - 1 $$
与Sigmoid函数不同的是，Tanh函数是“零为中心”的。因此在实际应用中，Tanh函数会比Sigmoid函数更好一些。但是在饱和神经元的情况下，Tanh函数还是没有解决梯度消失问题。
Tanh函数的输出间隔为1，并且整个函数以0为中心，比Sigmoid函数更好，但是Tanh函数依然存在两大缺点：
仍然存在梯度饱和的问题
依然进行的是指数运算