McCulloch-Pitts神经元与Perceptron模型
McCulloch-Pitts神经元缩写为MP Neuron，是人工神经网络的基本组成部分。与生物神经元类似，MP神经元和Perceptron模型都接受输入并对其进行处理以提供输出，尽管它们在处理方式上有所不同，我们将在下文中对此进行介绍。
生物神经元
但是首先，我们将看到生物神经元是如何工作的。首先，神经元可以分为三个基本单元，树突，细胞体（也称为Soma）和轴突。对于我们执行的每项任务，在我们的大脑中，这些神经元的特定网络发出信号，这些信号通过突触末端到达树突，再穿过细胞体到达轴突，然后进一步传递到另一个神经元。
McCulloch-Pitts神经元模型
由沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）于1943年提出，该模型模仿了生物神经元的功能，因此也称为人工神经元。人工神经元接受二进制输入，并根据可调整的某个阈值产生二进制输出。这主要可用于分类问题。
在获取各种输入后，函数将它们汇总，并根据汇总做出决策。聚合仅表示这些二进制输入的总和。如果合计值超过阈值，则输出为1，否则为0。
感知器模型
该模型由弗兰克·罗森布拉特（Frank Rosenblatt）在1957年开发。这是我们之前看到的“人工神经元”模型的略微调整版本。在这里，神经元也称为线性阈值单元（LTU）。该模型可以处理非布尔值，其中每个输入连接都与权重关联。此处，函数计算加权和，并根据提供的阈值提供二进制输出。
MP神经元模型和感知器模型之间的比较
- MP Neuron模型和Perceptron模型都可以处理线性可分离的数据。
- MP Neuron模型仅接受布尔输入，而Perceptron模型可以处理任何实际输入。
- 在MP Neuron模型中，输入未加权，这使该模型的灵活性降低。另一方面，Perceptron模型可以权衡提供的输入。
- 在使用这两个模型时，我们可以调整阈值输入以使模型适合我们的数据集。
您可以在此处找到发表的论文McCulloch和Pitts 。
这是我将在五个月的时间里发布的深度学习系列文章中的第一篇。因此，请继续关注。:)
