sigid神经元sigidneuron是现代神经网络经常使用的基本结构当然不是唯一的结构。它与感知器的结构类似，但有两个重要的区别。

第一，它的输入不再限制为0和1，而可以是任意01之间的实数。

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sigid函数的计算作为输出。

具体来说，假设zw1x1w2x2w3x3...b，那么输出outputσz，其中：σz11ez。

σz是一个平滑、连续的函数。而且，它的输出也是01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01之间。

可以想象，在采用sigid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。这样就使得逐步调整参数值的训练成为可能。

在历史上，很多研究人员曾经也做过尝试，chaelnielsen的书neuraworksanddeeplearning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shallowneuraworks。而真正的深度神经网络deepneruaworks，则会有多层隐藏层。

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outputlayer，有10个神经元节点，分别代表识别结果是0，1，2，...，9。当然，受sigid函数σz的限制，每个输出也肯定是01之间的数。

那我们在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78415151011910个，偏置参数有151025个，总共参数个数为：119102511935个。

这可是一个非常惊人的数字。