matlab中神經網絡激活函數怎么設置？

由于每個網絡層的功能不同，所選擇的激活函數的不同結果也會不同。所以需要注意的是，輸出層一般采用logsigpur

Python能否進行大規模數值計算？

Python非常適合數值計算，幾乎可以說是除了老Fortran，C，C之外最適合數據科學的計算機語言，這一點從Python這幾年的發展勢頭就可以看出來。Python壓過R，壓過Matlab，在數據科學領域風生水起。在TIOBE9月發布的最新編程語言排行榜中，Python以4.67%的增長率和0.26%的優勢擊敗C，成功進入Top3。

Python是一種免費、靈活、強大的開源語言。使用Python可以減少大量開發時間，并提供簡潔易讀的語法。Python可以方便地用于數據操作、數據分析和可視化。Python為科學計算和機器學習相關的應用提供了一套強大的庫。

Python的數值計算基于numpy庫。Numpy是Python中最常用的數值計算庫，它提供了一個通用而強大的高維數組結構和大量的科學計算函數(相當一部分是跨scipy的)，是Python中幾乎所有其他科學計算庫的基礎。

Python基于numpy構建了完整的科學計算生態系統，其中最常用的有:

在numpy的基礎上，scipy:提供了解決科學計算中各種常見問題的工具，包括數學物理中的各種特殊函數、數值積分、最優化、插值、傅立葉變換、線性代數、信號處理、圖像處理、隨機數和概率分布、統計學等等。sympy:Python中的符號計算庫支持符號計算、高精度計算、模式匹配、繪圖、方程求解、微積分、組合數學、離散數學、幾何、概率統計、物理等功能，可以在很大程度上替代Mathematica和Matlab的符號計算功能。Python的交互式開發和計算環境IPython:比Python自己的殼。它支持變量的自動完成和縮進，bashsh:Python是科學計算最常用和最重要的繪圖和數據可視化工具包。Pandas:Python常用的數據分析包，適合時間序列和金融數據分析。scikit-learn:python;的機器學習庫。它擁有多種分類、回歸和聚類算法，包括支持向量機、隨機森林、梯度增強、K-means等機器學習算法，并能與Python數值和科學計算庫numpy和scipy互操作。

以上是Python中基本的數值和科學計算工具，一般來說只適合在單機上計算，雖然可以使用多個線程或joblib等工具進行并行加速(模塊除外，可以在多臺計算機組成的集群上運行)。如果要進行大規模的數值和科學計算，就必須使用并行和分布式計算。Python也提供了相應的工具來支持大規模并行分布式計算。可以使用的工具有:

Dask:Dask是一個用于數值和科學計算的靈活的并行計算庫，它提供了一個優化的并行任務調度器和幾種并行數據結構:DaskArray是分布式并行numpy值，DaskBag是分布式并行Python序列集，DaskDataframe是分布式并行Pandasdataframe。此外，Dask-ML將scikit-learn中的所有機器學習算法并行化，可以處理更大規模的數據操作。

Mpip4py:MPI(消息傳遞)庫mpi4py:Python。Mpi4py庫與numpy數組緊密結合，可以在包括不同計算節點在內的不同Mpi進程之間高效交換numpy數組數據。使用mpi4py可以很容易地在Python中編寫基于MPI的并行計算程序，然后在大型計算集群或超級計算機上運行。我個人的【簡書主題】()和【CSDN博客專欄】()有專門介紹mpi4py并行計算的文章，并提供了大量的程序實例。有需要或者有興趣的可以了解一下。

:支持多種形式的并行計算，包括單程序多數據流(SPMD)并行、多程序多數據流(MPMD)并行、MPI并行、數據并行等。，而且整合計算任務部門非常容易。程序到集群并行執行。

PySpark:PythonAPIforSpark，可用于Python中的大數據分析和大規模機器學習應用。可能不太適合大規模高性能數值和科學計算。

大規模數值和科學計算往往涉及大量的數據I/O操作，I/O操作往往是高性能計算的瓶頸。MPI的ROMIO庫提供了高效的并行I/O支持，mpi4py可用于并行I/O操作，或支持并行I/O的科學數據存儲文件格式，如HDF5(層次數據格式)。Python中的H5py和PyTable提供了對HDF5文件的數據操作支持，Pandas中也有相應的函數讀取或存儲HDF5文件中的數據。