在神经网络中使用激活函数的主要目的是引入非线性特性，使得神经网络可以学习到更加复杂的模式和关系。

  首先，如果在神经网络中没有激活函数，那么整个网络将只是一个线性模型。无论多少个线性层叠加在一起，只能学习到线性的变换，无法表达复杂的非线性关系。激活函数的引入可以打破线性性质，使得神经网络能够学习到更加复杂的函数。

  其次，激活函数还有一个重要的作用是对输入数据进行非线性的映射，使得输出具有更好的表示性能。通过使用非线性激活函数，神经网络可以学习到更加抽象和高层次的特征。例如，ReLU激活函数可以将负数映射为零，只保留正数，可以有效地提取出输入中的重要特征。

  此外，激活函数还有一些其他的优势。它可以帮助解决梯度消失的问题，即在深层神经网络中，梯度会随着层数的增加而逐渐变小，导致训练困难。通过使用激活函数，特别是一些具有饱和特性的激活函数（如Sigmoid和Tanh），可以使梯度在网络中传播得更好，避免梯度消失的问题。

  综上所述，激活函数的使用在神经网络中是非常重要的，它能给予神经网络非线性特性，扩展其表示能力，解决梯度消失等问题，从而提升网络的性能和效果。