---
id: DL-ACT-RELU-001
category: Dev
confidence_score: 1.0
tags: [ai, [[Deep-Learning|Deep-Learning]], activation-function, relu, vanishing-gradient, neural-networks, [[Optimization|Optimization]]]
last_reinforced: 2026-04-26
---

# ReLU Activation Functions (ReLU 활성화 함수)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "0보다 작으면 과감히 버리고, 0보다 크면 그대로 통과시켜 신경망의 '기울기 소실'이라는 동맥경화를 치료하라" — 딥러닝에서 가장 널리 쓰이는 비선형 활성화 함수로, 연산의 단순함과 학습의 효율성을 동시에 잡아 현대 신경망의 깊이를 가능케 한 핵심 도구.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Linear Rectification and Sparsity Inducement" — $f(x) = \max(0, x)$ 라는 단순한 수식을 통해 양수 영역에서는 기울기를 일정하게 유지하여 그래디언트 전파를 돕고, 음수 영역에서는 뉴런을 비활성화(Sparsity)하여 연산 효율을 높이는 패턴.
- **핵심 장점:**
    - **Vanishing Gradient [[Solution|Solution]]:** 시그모이드(Sigmoid)와 달리 큰 양수 값에서도 기울기가 1로 유지되어 깊은 망 학습이 가능.
    - **Computational [[Efficiency|Efficiency]]:** 단순한 비교 연산만으로 구현 가능하여 학습 속도가 매우 빠름.
    - **Bio[[Logic|Logic]]al Plausibility:** 뇌세포의 특정 임계치 이상에서만 반응하는 특성을 일부 모방.
- **의의:** 딥러닝이 '학습 가능한 수준'으로 내려오게 만든 결정적인 공신 중 하나이며, AlexNet 이후 사실상의 표준(De facto standard)으로 자리 잡음.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 음수 영역에서 기울기가 0이 되어 뉴런이 영원히 죽어버리는 'Dying ReLU' 문제에 직면했으나, 이를 해결하기 위해 Leaky ReLU, ELU, GeLU([[BERT|BERT]]에서 사용) 등 다양한 변형 모델이 등장하며 보완됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 내부 추론 신경망 설계 시, 학습 속도와 안정성의 균형을 위해 기본적으로 ReLU 혹은 그 변형인 GeLU를 활성화 함수로 채택함.

## 🔗 지식 연결 (Graph)
- Deep-Learning-Foundations, [[Backpropagation|Backpropagation]]-Foundations, [[Optimization-in-AI|Optimization-in-AI]], Neural-[[Architecture|Architecture]]-Design
- **Raw Source:** 10_Wiki/Topics/AI/ReLU-Activation-Functions.md