Sigmoid和Relu都是常用的激活函数，但它们的作用不同。Sigmoid函数将输入值映射到0到1之间的连续输出，适用于二分类问题。而Relu函数则将输入值映射到大于0的输出，适用于多分类和回归问题。
Sigmoid和Relu的区别和差异主要有以下几个方面：
- Sigmoid函数是双侧饱和的，即朝着正负两个方向函数值都会饱和；但Relu函数是单侧饱和的，即只有朝着负方向，函数值才会饱和。
- Sigmoid函数在输入值过大或过小时，会出现饱和现象，导致输出值接近于0或1，从而使得导数值接近于0。这样，在反向传播时，就会造成梯度消失的问题，影响网络的训练效果。而Relu函数在正区间保持恒定的导数值（通常为1），从而避免了梯度消失的问题。
- Relu函数在零点附近不可微，只能求右偏导，解决这个问题的思路就是Leaky Relu. 另外，它会“谋杀”一些神经元，使得一些神经元的导数永远为0，也就是说这个神经元不会经历训练，即所谓的稀疏性。
- Relu函数的导数计算更快，程序实现就是一个if-else语句，而Sigmoid函数要进行浮点四则运算。
- Relu函数更加接近脑神经元的激活模型，而Sigmoid函数更加接近概率模型。
综上，Sigmoid和Relu各有优缺点，选择哪种激活函数要根据具体的问题和数据来决定。一般来说，Relu更适合深层网络的隐藏层，而Sigmoid更适合二分类问题的输出层。