Math.tanh() 是 JavaScript 中输出范围为 (-1, 1) 的平滑可导激活函数，定义为 (eˣ − e⁻ˣ)/(eˣ + e⁻ˣ)，前向传播直接调用，反向传播梯度为 1 − a²，适用于浅层网络或教学演示。

Math.tanh() 是 JavaScript 中直接可用的双曲正切函数，它天然适合作为神经网络中简单激活函数的模拟工具——输出范围严格在 (-1, 1) 之间，具备平滑、可导、中心对称等关键特性。

理解 Math.tanh() 的数学行为

双曲正切定义为 tanh(x) = (eˣ − e⁻ˣ) / (eˣ + e⁻ˣ)，其图像呈 S 形，输入趋近正无穷时输出逼近 1，趋近负无穷时逼近 -1，x=0 时输出恰好为 0。这使它比 sigmoid 更适合中心化数据的建模。

在 JavaScript 中调用非常直接：

• Math.tanh(0) → 0
• Math.tanh(1) → ≈ 0.7616
• Math.tanh(-2) → ≈ -0.9640
• Math.tanh(10) → ≈ 0.9999999959

在前向传播中用作激活函数

假设你有一个简单的神经元：输入 x，权重 w，偏置 b，则加权和 z = w * x + b，再经 tanh 激活得到输出 a = tanh(z)。可封装为可复用函数：

function tanhActivation(z) {
  return Math.tanh(z);
}
<p>// 示例：单个神经元前向计算
const x = 0.8;
const w = 1.5;
const b = -0.3;
const z = w * x + b;         // → 0.9
const a = tanhActivation(z); // → ≈ 0.7163

反向传播需配套导数：tanh 的梯度是 1 − a²

训练时必须实现其导数：d(tanh(z))/dz = 1 − tanh²(z)。由于前向已算出激活值 a，梯度可直接复用，无需重新计算 tanh：

• 若前向输出 a = tanh(z)，则梯度就是 1 - a * a
• 例如 a = 0.7163 → 梯度 ≈ 1 − 0.5131 = 0.4869
• 该性质大幅节省计算，是 tanh 在手动实现小规模网络时的优势

注意事项与实际限制

Math.tanh() 是标量函数，仅处理单个数字。若需批量处理数组（如一批神经元输出），须配合 map 或循环：

const inputs = [−1.2, 0.0, 2.5, −0.7];
const activations = inputs.map(Math.tanh); 
// → [−0.8337, 0, 0.9866, −0.6044]

注意：JavaScript 数值精度有限，当 |z| > 20 时，Math.tanh(z) 实际已饱和至 ±1，此时梯度接近 0，易引发梯度消失——这是 tanh 在深层网络中少用的根本原因，但在浅层或教学演示中依然清晰可靠。