在神经网络中，激活函数是非常重要的组成部分。它们将输入信号转换为输出信号，并且对神经网络的性能和训练速度有着很大的影响。sigmoid和tanh是两种最常见的激活函数之一，它们在很多方面都非常相似，但是它们也有一些重要的不同点。

首先，sigmoid和tanh都是S型函数，它们的输出值都是在0到1之间或者-1到1之间。这使得它们非常适合用于二元分类问题或者输出范围有限的回归问题。此外，它们的导数都可以很容易地计算，这对于反向传播算法非常重要。

然而，sigmoid和tanh也有许多不同之处。其中一个最显著的不同就是它们的阈值取值。sigmoid函数的阈值取值为0.5，而tanh函数的阈值取值为0。这意味着tanh的输出均值为0，而sigmoid的输出均值为0.5。另一个不同之处是它们的输出范围。sigmoid的输出范围是(0, 1)，而tanh的输出范围是(-1, 1)。

由于tanh的输出范围更广，因此它通常比sigmoid更受欢迎。这是因为它可以在神经网络中提供更多的表现力，因为它可以表示负数。此外，tanh的输出均值为0，这意味着在使用tanh作为激活函数时，可以更容易地将输入数据进行归一化处理，从而提高训练速度和准确性。

另一个重要的不同之处是它们的渐进线性度。sigmoid函数具有较小的渐进线性度，这意味着它会在输入接近0或者1的时候变得非常平滑，并且其导数趋近于0。这可能会导致梯度消失的问题，从而使得模型难以训练。相反，tanh函数具有较大的渐进线性度，这意味着其在输入接近0或者1的时候仍然保持斜率，并且其导数不会趋近于0。这使得tanh函数在训练神经网络时更加稳定。

最后，sigmoid和tanh的形状也是不同的。sigmoid函数具有一个单峰形状，而tanh函数具有一个双峰形状。这意味着tanh函数在输入为正数和负数时具有不同的输出，这可能会对某些应用产生影响。

在总体上，sigmoid和tanh都是非常有用的激活函数，它们在很多方面都非常相似，但是它们也有一些重要的不同点。选择哪种激活函数取决于特定的神经网络任务和数据集。