本节我们试着将神经元的工作在数学上一般化。
为了更接近神经元的形象,
1-2
节中将神经元表示为了下图的样子。
然而,为了画出网络,需要画很多的神经元,在这种情况下上面那样的图就不合适了。因此,我们使用如下所示的简化图,这样很容易就能画出大量的神经元。
激活函数
将神经元的示意图抽象化之后,对于输出信号,我们也对其生物上的限制进行一般化。
根据点火与否,生物学上的神经元的输出 分别取值
1
和
0
(下图)。
然而,如果除去
“
生物
”
这个条件,这个
“0
和
1
的限制
”也应该是可以解除的。这时表示点火与否的下式就需要修正。
这里,u 是单位阶跃函数。我们将该式一般化,如下所示。
这里的函数是建模者定义的函数,称为激活函数。
将神经元点火的式
(1)
一般化为神经单元的激活函数式
(2)
,要确认这样做是否有效,就要看实际做出的模型能否很好地解释现实的数据。实际上,式 (2)
表示的模型在很多模式识别问题中取得了很好的效果。
激活函数的代表性例子是
Sigmoid
函数
先来看看它的图形,Sigmoid
函数的输出值是大于 0
小于
1
的任意值。此外,该函数连续、光滑,也就是说可导。这两种性质使得 Sigmoid
函数很容易处理。