怕找不到回家的路！请截图保存本站发布地址：www.ltxsdz.com
具体来说，假设z=w1x1+w2x2+w3x3+...+b，那么输出output=σ(z)，其中：σ(z)= 1/(1+e-z)。
σ(z)是一个平滑、连续的函数。而且，它的输出也是0~1之间的实数，这个输出值可以直接作为下一层神经元的输
，保持在0~1之间。
可以想象，在采用sigmoid神经元组装神经网络之后，网络的输和输出都变为连续的了，也就是说，当我们对某个参数的值进行微小的改变的时候，它的输出也只是产生微小的改变。这样就使得逐步调整参数值的训练成为可能。
在历史上，很多研究
员曾经也做过尝试，michael nielsen的书《neural networks and deep learning》这本书中也曾经提到过这个例子。
这个神经网络只有一层隐藏层，属于浅层的神经网络(shallow neural networks)。而真正的
度神经网络(deep nerual networks)，那么就会有多层隐藏层。
神经元系统采用了左右脑半球的设计方式进行设计和制造。
最右侧则是输出层(output layer)，有10个神经元节点，分别代表识别结果是0，1，2，...，9。当然，受sigmoid函数σ(z)的限制，每个输出也肯定是0~1之间的数。
那我们得到一组输出值之后，哪个输出的值最大，最终的识别结果就是它。
而在训练的时候，输出的形式则是：正确的那个数字输出为1，其它输出为0，隐藏层和输出层之间也是全连接。
神经网络共的权重参数有784*15+15*10=11910个，偏置参数有15+10=25个，总共参数个数为：11910+25=11935个。
这是一个非常惊的数字。
