意0~1之间的实数jianlai8。cc
第二，它的输出也不再限制为0和1，而是将各个输入的加权求和再加上偏置参数，经过一个称为sigmoid函数的计算作为输出jianlai8。cc
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)jianlai8。cc
σ(z)是一个平滑、连续的函数jianlai8。cc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入，保持在0~1之间jianlai8。cc
可以想象，在采用sigmoid神经元组装神经网络之后，网络的输入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jianlai8。cc这样就使得逐步调整参数值的训练成为可能jianlai8。cc
在历史上，很多研究人员曾经也做过尝试，MichaelNielsen的书《NeuralNetworksandDeepLearning》这本书中也曾经提到过这个例子jianlai8。cc
这个神经网络只有一层隐藏层，属于浅层的神经网络(shallowneuralnetworks)jianlai8。cc而真正的深度神经网络(deepnerualnetworks)，那么就会有多层隐藏层jianlai8。cc
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jianlai8。cc
最右侧则是输出层(outputlayer)，有10个神经元节点，分别代表识别结果是0，1，2，...，9jianlai8。cc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jianlai8。cc
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jianlai8。cc
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jianlai8。cc
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jianlai8。cc
这是一个非常惊人的数字jianlai8。cc