返回信息流最近在自学神经网络（coursera），有一些疑问，各路大神谢谢啦。
- 激励（activation）方程的选择。coursera那门课一直用的是sigmoid，想问一下在实际工作中有其他的选择吗？以及这个选择是怎么来看的呢？
- 比如说我有三个layers，是不是activation在每一层都需要使用呢？如何从直觉上去分析为什么？我在知乎上看到[一篇文章](https://www.zhihu.com/question/22553761)，文中提到每一层可以剥离一些细节，但是这个如果每一层用同样的一个activation function怎么能体现呢？
- 最后一个问题是神经网络是值用作classfication吗?
谢谢解答啦～
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #22982同步于 2017/3/12
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
关于神经网络的几点疑问
alfred1993
2017/3/12镜像同步7 回复
订阅后，新回复会通过你的通知中心匿名送达。
7 条回复
谢谢大神回复 我刚翻文章也看到了现在选择activationo的热门～
【 在 jaegerstar 的大作中提到: 】
: 要学好神经网络还是看CS231n吧，那门是专门讲深度学习在CV的应用的
我也是菜鸟。。你说的权重应该不是神经元的吧，而是连接上的，那些是学习出来的，你看SGD那里应该就明白了
【 在 alfred1993 的大作中提到: 】
: 谢谢大神回复 我刚翻文章也看到了现在选择activationo的热门～我现在最大的困惑在于如何确定每个神经元的权重呢？
sigmoid函数非线性很强，会造成运算量的增大，所以现在DNN里用relu做激活函数的多。至于用哪个激活函数的效果好，我觉得差不多吧...可以针对某一数据集都试试
我现在大致懂了。选择一个合适的激活函数，那怎么确定hidden layer要几个神经元呢？
感觉整个神经网络是一个多层的回归
【 在 swy755565055 的大作中提到: 】
: sigmoid函数非线性很强，会造成运算量的增大，所以现在DNN里用relu做激活函数的多。至于用哪个激活函数的效果好，我觉得差不多吧...可以针对某一数据集都试试
比较成熟的CNN像LeNet都是固定的结构...某一层神经元具体多少为好还是看你想通过这一层做什么，其实这方面目前是是黑匣子，也是深度学习非常大的缺陷，即缺少理论依据