深入探究類神經網路！——類神經元的運算

類神經元模型

符號函數 類神經元模型

類神經元模型

在本章之前，其實我們已經介紹過類神經元的運算，

但是，在這個章節裡面，我們將介紹一個更通用的表示方式，

會介紹這個表示方式，是因為在類神經網路的知識領域中，

還有一個很重要的觀念是「激勵函數」，它在下一章會介紹到，

激勵函數有許多種類，可以在你建立類神經網路時替換，

其實建立類神經網路有時候就像你在玩角色扮演，有許多的配件可以替換，

然而，在能夠替換「激勵函數」之前，我們就需要學習以下的表示方式，

才能夠方便地描述你選擇了哪種激勵函數。

Warren McCulloch和Walter Pitts在1943年提出一個非常簡單的想法，

表示神經元的運作行為，這個想法至今仍然是類神經網路的重要基礎。

數學式子的表示方式，可能讓你覺得有點難以理解，但先不用緊張，

這個章節的模擬操作會有更詳細的解說。

在Warren McCulloch和Walter Pitts的類神經元模型中，我們可以看到，

類神經元在運算時，會將輸入信號與對應的權重相乘，然後將相乘的結果相加起來，

再與臨界值𝜃比較，如果比臨界值低，神經元輸出−1，相反地則輸出+1。

其中，將X轉換為Y的過程，我們可以視為一個函數，

這個函數在類神經網路中扮演著「激勵函數」的角色，而且在上述的式子中，

因為我們介紹的是Warren McCulloch和Walter Pitts的類神經元模型，

在此模型中使用的激勵函數為「符號函數(sign)」。

回到最上方