tanh函数和sigmoid函数都是常用的激活函数，在神经网络中常用于非线性变换。它们的主要区别在于输出范围和对输入的敏感度。

  1. 输出范围：sigmoid函数的输出范围在0到1之间，而tanh函数的输出范围在-1到1之间。这意味着tanh函数的输出具有更好的对称性，能够提供更大的动态范围，并且可以更好地处理负数输入。

  2. 对输入的敏感度：在输入接近于0的时候，sigmoid函数的斜率较大，能够提供更敏感的反馈。而tanh函数在原点附近的斜率最大，对输入的变化更为敏感。这意味着tanh函数在中心区域更能够进行微小的调整，并能够更好地保留输入的动态范围。

  3. 渐近行为：sigmoid函数在输入非常大或非常小的情况下，会趋近于0或趋近于1，这会导致梯度饱和的问题。而tanh函数在输入趋于正无穷或负无穷时，会趋于1或-1，但它的渐近行为更为平缓，不容易出现梯度饱和的问题。

  根据以上区别，使用tanh函数可以更好地处理负数输入和较大的动态范围，并且提供更敏感的反馈，但可能存在梯度饱和的问题。对于大部分情况下，sigmoid函数已经足够使用，但在某些情况下，tanh函数可能更适合。在实际应用中，我们常常根据具体问题选择合适的激活函数。