我正在编写一个程序来预测某事何时会发生。我不知道该使用哪种激活函数来输出星期几（1-7）。

我尝试过使用sigmoid函数，但它需要输入预测的日期并输出其概率，我不希望是这样。

我希望激活函数返回0到无穷大，ReLU是否是此任务的最佳激活函数？

编辑：

另外，如果我希望输出超过7天，例如，x将在今天后的第9天或第15天发生等？我正在寻找动态的方法来实现这一点

回答：

我想补充@隐藏人名提出的观点，这在你的问题设置中提出了一个有效的观点。你会在下文找到你最初问题的答案，但我强烈建议你先阅读以下评论。

一般来说，你需要区分分类变量、顺序变量和区间变量。我在Stackoverflow上的另一个回答中给出了一个相对较长的解释，这可能有助于更详细地理解这个概念。
在你的场景中，你主要是想了解“你错得有多离谱”。当然，假设你正在做的事情并将其解释为区间变量是完全合理的，因此具有假设的顺序（和距离）在不同值之间。
然而，问题在于你假设了一个连续空间在一个离散变量上。例如，解释4.3的输出是没有意义的，因为你只能在4（假设你从0开始编号你的日子，即星期五）或5（星期六）之间做出判断。任何中间值都必须四舍五入，这完全没问题——直到你想在这个损失上进行反向传播。这是有问题的，因为你实际上引入了非凸和非连续的函数，无论你如何“四舍五入”你的值。再举个例子，你可以假设四舍五入到最接近的数字；那么，在4.5的值处，你会看到损失的突然增加，这是不可微分的，因此会给你的优化器带来困难，可能限制你的系统的收敛性。

相反，如果你使用多个输出神经元，如@隐藏人名所建议的，你可能会在纸面上失去距离信息（你偏离了多少天），但你当然仍然可以以任何你喜欢的方式解释你的损失。这对于离散值变量来说无疑是更好的选择。

回答你的最初问题：我个人会确保你的损失函数在上限和下限都是有界的，否则你可能会有未定义/不一致的损失值，这可能会导致次优的优化。一种方法是重新缩放Sigmoid函数（sigmoid(R)的共域是[0,1]）。最终，你可以将输出乘以6，得到一个值范围为[0,6]，并可以（在四舍五入后）覆盖你想要的所有值。