在神经网络中，激活函数是非常重要的一环。不同的激活函数会影响神经网络的训练过程和最终的效果。为了比较不同激活函数的性能，可以利用Python中的TensorFlow库进行实验。

首先，使用TensorFlow创建一个简单的神经网络：

import tensorflow as tf

# 构建神经网络
input_layer = tf.keras.layers.Input(shape=(100,))
x = tf.keras.layers.Dense(64, activation='relu')(input_layer)
output_layer = tf.keras.layers.Dense(1, activation='sigmoid')(x)

model = tf.keras.models.Model(inputs=input_layer, outputs=output_layer)
model.compile(optimizer='sgd', loss='binary_crossentropy', metrics=['accuracy'])

上述代码中，构建了一个输入层、一个隐藏层、一个输出层的神经网络，并使用ReLU函数作为隐藏层激活函数，使用sigmoid函数作为输出层激活函数。

接下来，我们可以比较不同激活函数的性能。例如，我们可以比较ReLU、sigmoid和tanh这三种激活函数的性能。代码如下：

import matplotlib.pyplot as plt
import numpy as np

# 获取不同激活函数的性能
def get_performance(activation):
    model = tf.keras.models.clone_model(model)
    model.layers[1].activation = activation
    model.compile(optimizer='sgd', loss='binary_crossentropy', metrics=['accuracy'])
    hist = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test), verbose=0)
    return (np.mean(hist.history['val_acc']), np.std(hist.history['val_acc']))

activations = [tf.keras.activations.relu, tf.keras.activations.sigmoid, tf.keras.activations.tanh]
performance = [get_performance(a) for a in activations]

# 绘制柱状图
bar_width = 0.35
x = np.arange(len(activations))
fig,