1. McCulloch-Pitts Neuron (MCP Neuron) :
* 개념 : 이것은 아마도 인공 뉴런의 가장 단순하고 초기 모델입니다.
* 기능 : 여러 바이너리 입력 (0 또는 1)이 필요하며 임계 값 함수에 따라 단일 바이너리 출력을 생성합니다. 입력의 가중 합이 임계 값을 초과하면 출력은 1 (활성화), 그렇지 않으면 0입니다.
* 의 중요성 : 그것은 신경망 분야의 토대를 마련했으며 논리적 작업을 수행 할 수있는 간단한 장치의 잠재력을 보여주었습니다.
2. 퍼셉트론 :
* 개념 : 이진 및 연속 입력을 모두 처리 할 수있는 MCP 뉴런의 확장.
* 기능 : 교육 데이터를 기반으로 가중치 및 바이어스 값을 조정하여 선형 결정 경계를 배웁니다.
* 의 중요성 : 감독 학습의 개념과 선형 분류 문제를 해결하는 능력을 소개했습니다.
3. Sigmoid Neuron :
* 개념 : Perceptron과 유사하지만 단계 함수 대신 Sigmoid 활성화 기능을 사용합니다.
* 기능 : Sigmoid 함수는 뉴런의 활성화 수준을 나타내는 0과 1 사이의 값을 출력합니다. 이를 통해보다 미묘한 정보 표현이 가능하며 데이터의 비선형 관계를 처리하는 데 도움이됩니다.
* 의 중요성 : 지속적인 활성화로의 전환을 표시하고 깊은 신경 네트워크를 훈련하기위한 중요한 알고리즘 인 역전을위한 길을 열었습니다.
4. Relu (정류 된 선형 단위) 뉴런 :
* 개념 : 정류 된 선형 단위 활성화 함수를 사용하는보다 현대적인 뉴런 유형.
* 기능 : 입력이 양수 인 경우 직접 입력을 출력하고 그렇지 않으면 0입니다.
* 의 중요성 : 계산 효율적이고 강력한 활성화 기능을 제공하여 딥 러닝 모델에서 더 나은 성능을 제공합니다.
이 너머 :
이것들은 기본 뉴런 유형의 몇 가지 예일뿐입니다. 각각 고유 한 특성과 강점을 가진 다른 많은 변형이 존재합니다. 예를 들어, 일부 뉴런은 다른 활성화 기능 (예 :TANH, SoftPlus)을 사용하는 반면, 다른 뉴런은 메모리 또는 재발 연결과 같은 메커니즘을 포함합니다.
뉴런 유형의 선택은 신경망의 특정 작업과 아키텍처에 따라 다릅니다. 그러나 이러한 "원시적"뉴런을 이해하면 인공 신경망의 빌딩 블록에 대한 기본적인 이해가 제공됩니다.
