为什么torch.functional.sigmoid和torch.nn.functional.relu不像torch.nn.functional.tanh那样被弃用？

torch.functional.sigmoid和torch.nn.functional.relu没有被弃用的原因是它们在不同的场景中仍然具有一定的应用和优势。

首先，torch.functional.sigmoid是Sigmoid函数的实现，它将输入的值映射到一个介于0和1之间的范围内。在某些情况下，Sigmoid函数仍然具有一定的应用，例如二分类问题中的逻辑回归模型。此外，Sigmoid函数在神经网络的激活函数中也有一定的应用，可以用于解决一些非线性问题。

torch.nn.functional.relu是整流线性单元（Rectified Linear Unit，ReLU）函数的实现，它将输入的值映射为非负数。ReLU函数在深度神经网络中被广泛应用，因为它具有计算简单、收敛速度快等优点。此外，ReLU函数还能有效解决梯度消失的问题，能够在训练过程中更好地传播误差。

而相比之下，torch.nn.functional.tanh函数在某些情况下可能会存在梯度消失的问题，特别是在深层网络中。因此，在一些情况下，ReLU函数被认为是更好的选择。但是，对于某些特定的任务和网络结构，torch.nn.functional.tanh仍然具有一定的应用场景。

综上所述，torch.functional.sigmoid和torch.nn.functional.relu没有被弃用是因为它们在不同的场景中仍然具有一定的优势和应用价值。在具体应用中，我们可以根据具体的问题和需求选择适合的激活函数。