核心考点：激活函数及其梯度特性。 解题思路分析：Sigmoid 和 Tanh 函数在输入值过大或过小时，函数值趋于饱和，其导数趋近于零，导致梯度消失。ReLU和Leaky ReLU在正区间梯度为常数，负区间梯度为0或较小的值，相对不易出现梯度消失。 选项分析： A. ReLU：在正区间梯度为1，在负区间梯度为0，不会出现饱和，不符合题目描述。 B. Sigmoid：在输入值过大或过小时，函数值趋于饱和，导致梯度趋近于零，符合题目描述。 C. Leaky ReLU：在负区间梯度不为0，一定程度上缓解了ReLU的梯度消失问题，不符合题目描述。 D. Tanh：在输入值过大或过小时，函数值趋于饱和，导致梯度趋近于零，符合题目描述。 易错点提醒：Sigmoid和Tanh都存在梯度消失问题，但Sigmoid在神经网络中使用的更早更广泛，更容易被作为梯度消失的例子。