为什么隐藏层的激活函数使用relu，输出层的激活函数使用sigmoid

隐藏层使用ReLU激活函数的原因是它能够在处理大量数据时提供更好的计算性能和模型效果。ReLU的输出在输入大于0时等于输入，可以有效地将负值变为0，从而实现了稀疏性，减少了计算量，同时也能够缓解梯度消失的问题，使得神经网络更容易训练。

而输出层使用Sigmoid激活函数主要是因为它能够将输出值映射到0到1的范围内，并且具有可解释性，可以将输出解释为概率值。在许多分类问题中，我们需要将神经网络的输出转化为类别预测结果，而Sigmoid函数的输出可以直接用于二分类问题的概率预测，并且在多分类问题中也可以使用softmax函数将多个sigmoid输出转化为概率分布。

当然，这并不是绝对的规则，实际应用中也可以根据具体情况选择其他的激活函数，例如在一些多标签分类问题中就可以使用多个sigmoid输出来预测多个标签的概率值。