我最近刚开始接触神经网络的学习，不知道接下来我对问题的理解与描述是否清晰准确，求大腿！
感知机作为多层神经网络的基本逻辑判断单元，我们一般选择通过sigmoid函数作为激活函数（《机器学习》，周志华，p98）。
（Q1）这里的激活函数是起到决定y的输出值为0，1的作用吗？
（Q2）那么我们是否可以通过选择放弃使用sigmoid，而直接输出y的激活后的值达到增强下一层判断拟合准确性的目的？
（Q3）我们知道，与或非问题都是线性可分的问题，即我们可以找到一个超平面来对问题进行判断。那么将以激活函数为判断依据的逻辑判断，换为SVM-inspired神经网络，我是否能得到对存在较多离群数据的训练集（离群数据会对自适应学习率算法的影响）有更强的鲁棒性的神经网络？这样的神经网络的性能收益是否超过计算负荷带来的负收益？
暂时能想到的就这么多，机器学习任重道远TAT
