A neuron in an artificial neural ne

A neuron in an artificial neural network is a software unit that mimics this
basic understanding of a biological neuron. It produces an output of 1 or 0,
depending on whether its effective input exceeds a given value, which is called
the neuron’s threshold value. This effective input is a weighted sum of the
actual inputs, as represented in Figure 11.16. In this figure, a neuron is represented
with an oval and connections between neurons are represented with
arrows. The values obtained from the axons of other neurons (denoted by v1, v2,
and v3) are used as inputs to the depicted neuron. In addition to these values,
each connection is associated with a weight (denoted by w1, w2, and w3). The
neuron receiving these input values multiplies each by the associated weight for
the connection and then adds these products to form the effective input (v1w1 
v2w2  v3w3). If this sum exceeds the neuron’s threshold value, the neuron produces
an output of 1 (simulating an excited state); otherwise the neuron produces
a 0 as its output (simulating an inhibited state).
Following the lead of Figure 11.16, we adopt the convention of representing
neurons as circles. Where each input connects to a neuron, we record the weight
associated with that input. Finally, we write the neuron’s threshold value in the
middle of the circle. As an example, Figure 11.17 represents a neuron with a
threshold value of 1.5 and weights of 2, 3, and 1 associated with each of its
input connections. Therefore if the neuron receives the inputs 1, 1, and 0, its
effective input is (1)(2)  (1)(3)  (0)(1)  1, and thus its output is 0. But, if
the neuron receives 0, 1, and 1, its effective input is (0)(2)  (1)(3)  (1)(1)  2,
which exceeds the threshold value. The neuron’s output will thus be 1.
The fact that a weight can be positive or negative means that the corresponding
input can have either an inhibiting or exciting effect on the receiving neuron. (If the
weight is negative, then a 1 at that input position reduces the weighted sum and
thus tends to hold the effective input below the threshold value. In contrast, a positive
weight causes the associated input to have an increasing effect on the weighted
sum and thus increase the chances of that sum exceeding the threshold value.)
Moreover, the actual size of the weight controls the degree to which the corresponding
input is allowed to inhibit or excite the receiving neuron. Consequently, by
adjusting the values of the weights throughout an artificial neural network, we can
program the network to respond to different inputs in a predetermined manner

ผลลัพธ์ (ไทย) 1:

เซลล์ประสาทในเครือข่ายประสาทเทียมเป็นหน่วยซอฟต์แวร์ที่เลียนแบบนี้ความเข้าใจพื้นฐานเกี่ยวกับเซลล์ประสาทชีวภาพ มันก่อให้เกิดผลผลิตเป็น 1 หรือ 0ขึ้นอยู่กับว่าการป้อนข้อมูลมีประสิทธิภาพเกินกว่าค่าที่กำหนด ซึ่งเรียกว่าค่าขีดจำกัดของเซลล์ประสาท นี้มีประสิทธิภาพมีผลรวมถ่วงน้ำหนักของการจริงอินพุต เป็น represented ในรูปที่ 11.16 การ ในรูปนี้ แทนเซลล์ประสาทวงรีและเชื่อมต่อระหว่าง neurons หมายถึงลูกศร ค่าที่ได้รับจาก axons ของ neurons อื่น ๆ (สามารถบุ โดย v1, v2และ v3) ใช้เป็นอินพุตให้เซลล์ประสาท depicted นอกจากค่าเหล่านี้เชื่อมต่อแต่ละจะสัมพันธ์กับน้ำหนัก (สามารถบุ โดย w1, w2, w3) ที่เซลล์ประสาทที่รับค่าอินพุทเหล่านี้คูณ ด้วยน้ำหนักเชื่อมโยงสำหรับแต่ละการเชื่อมต่อ และเพิ่มผลิตภัณฑ์เหล่านี้เพื่อป้อนข้อมูลที่มีประสิทธิภาพ (v1w1v2w2 v3w3) ถ้าผลบวกนี้เกินค่าขีดจำกัดของเซลล์ประสาท เซลล์ประสาทสร้างออก 1 (จำลองสถานะที่ตื่นเต้น); มิฉะนั้น เซลล์ประสาทสร้าง0 เป็นผลลัพธ์ (จำลองสถานะที่ inhibited)ต่อเป้าหมายของรูปที่ 11.16 เรานำมาใช้แบบแผนการแสดงneurons เป็นวงกลม แต่ละอินพุตเชื่อมต่อเซลล์ประสาทเป็น เราบันทึกน้ำหนักเชื่อมโยงกับการป้อนข้อมูล สุดท้าย เราเขียนค่าขีดจำกัดของเซลล์ประสาทในการกลางของวงกลม เป็นตัวอย่าง รูป 11.17 แสดงเซลล์ประสาทด้วยการค่าขีดจำกัดของ 1.5 และน้ำหนักของ 2, 3 และ 1 ที่เกี่ยวข้องกับแต่ละตัวป้อนข้อมูลการเชื่อมต่อ ดังนั้นถ้าเซลล์ประสาทรับอินพุต 1, 1 และ 0 ของป้อนข้อมูลที่มีประสิทธิภาพคือ (1) (2) (1)(3) (0) (1) 1 และผลลัพธ์เป็น 0 แต่ ถ้าเซลล์ประสาทรับ 0, 1 และ 1 ป้อนข้อมูลมีประสิทธิภาพ (0) (2) (1)(3) (1) (1) 2ซึ่งเกินค่าขีดจำกัด ผลผลิตของเซลล์ประสาทจะเป็น 1 ดังนั้นความจริงที่ว่า น้ำหนักสามารถเป็นค่าบวก หรือค่าลบหมายความ ว่า ให้สอดคล้องกับป้อนข้อมูลได้ทั้งตื่นเต้น หรือ inhibiting ลักษณะพิเศษบนเซลล์ประสาทรับ (ถ้าน้ำหนักเป็นค่าลบ แล้ว 1 ที่ตำแหน่งที่สัญญาณลดผลรวมถ่วงน้ำหนัก และจึง มีแนวโน้มเก็บป้อนข้อมูลมีประสิทธิภาพต่ำกว่าค่า threshold ในทางตรงข้าม การบวกป้อนข้อมูลที่เกี่ยวข้องยังมีเพิ่มขึ้นในการถ่วงน้ำหนักทำให้น้ำหนักรวม และเพิ่มโอกาสของผลที่เกินค่าจำกัดดังนั้น)นอกจากนี้ ขนาดจริงของน้ำหนักควบคุมระดับที่ให้สอดคล้องกับป้อนข้อมูลจะสามารถยับยั้ง หรือกระตุ้นเซลล์ประสาทรับ ดังนั้น โดยการปรับค่าของน้ำหนักตลอดการโครงข่ายประสาทเทียม เราสามารถโปรแกรมเครือข่ายเพื่อตอบสนองต่อปัจจัยการผลิตที่แตกต่างกันในลักษณะที่กำหนดไว้

ผลลัพธ์ (ไทย) 2:

เซลล์ประสาทในเครือข่ายประสาทเทียมเป็นหน่วยซอฟต์แวร์ที่เลียนแบบนี้เข้าใจพื้นฐานของเซลล์ประสาทชีววิทยา มันผลิตออก 1 หรือ 0, ขึ้นอยู่กับว่าการป้อนข้อมูลที่มีประสิทธิภาพสูงกว่าค่าที่กำหนดซึ่งเรียกว่าเซลล์ประสาท'ค่าเกณฑ์ s นี้การป้อนข้อมูลที่มีประสิทธิภาพเป็นผลรวมถ่วงน้ำหนักของปัจจัยการผลิตที่เกิดขึ้นจริงตามที่แสดงในรูปที่ 11.16 ในภาพนี้เป็นตัวแทนของเซลล์ประสาทที่มีไข่และการเชื่อมต่อระหว่างเซลล์ประสาทจะถูกแทนด้วยลูกศร ค่าที่ได้จากซอนของเซลล์ประสาทอื่น ๆ (แสดงโดย v1, v2, และ v3) ถูกนำมาใช้เป็นปัจจัยการผลิตไปยังเซลล์ประสาทที่ปรากฎ นอกเหนือไปจากค่าเหล่านี้แต่ละการเชื่อมต่อมีความเกี่ยวข้องกับน้ำหนัก (แสดงโดย w1, w2 และ w3) เซลล์ประสาทที่ได้รับค่าที่ป้อนเข้าเหล่านี้แต่ละคูณโดยน้ำหนักที่เกี่ยวข้องสำหรับการเชื่อมต่อแล้วเพิ่มผลิตภัณฑ์เหล่านี้ในรูปแบบการป้อนข้อมูลที่มีประสิทธิภาพ (v1w1? v2w2? v3w3) หากจำนวนนี้เกินกว่าเซลล์ประสาท'ค่าเกณฑ์วินาที, เซลล์ประสาทผลิตเอาท์พุทที่1 (จำลองสภาพคล่อง); เซลล์ประสาทอื่นผลิต0 เป็นเอาท์พุท (จำลองรัฐยับยั้ง). ต่อไปนี้นำรูปที่ 11.16 ที่เรานำมาใช้ในการประชุมของตัวแทนของเซลล์ประสาทเป็นวงกลม ในกรณีที่การป้อนข้อมูลแต่ละเชื่อมต่อกับเซลล์ประสาทที่เราบันทึกน้ำหนักที่เกี่ยวข้องกับการป้อนข้อมูลที่ สุดท้ายเราเขียนเซลล์ประสาท'ค่าเกณฑ์ s ในช่วงกลางของวงกลม ตัวอย่างเช่นรูปที่ 11.17 แสดงให้เห็นถึงเซลล์ประสาทที่มีค่าเกณฑ์1.5 และน้ำหนักของ 2, 3 และ 1 ที่เกี่ยวข้องกับแต่ละของการเชื่อมต่ออินพุท ดังนั้นหากเซลล์ประสาทได้รับปัจจัยการผลิต 1, 1 และ 0 ของการป้อนข้อมูลที่มีประสิทธิภาพคือ(1) (2) (1) (3)? (0) (1) 1 และทำให้เอาท์พุทเป็น 0 แต่ถ้าเซลล์ประสาทที่ได้รับ0, 1, และ 1, การป้อนข้อมูลที่มีประสิทธิภาพของมันคือ (0) (2) (1) (3)? (1) (1) 2 ซึ่งเกินกว่าค่าเกณฑ์ เซลล์ประสาท'การส่งออก s จึงจะเป็น 1. ความจริงที่ว่ามีน้ำหนักสามารถเป็นวิธีการเชิงบวกหรือเชิงลบที่สอดคล้องกันการป้อนข้อมูลจะมีทั้งยับยั้งหรือผลที่น่าตื่นเต้นในเซลล์ประสาทที่ได้รับ (ถ้าน้ำหนักเป็นลบแล้ว 1 ในตำแหน่งการป้อนข้อมูลที่ช่วยลดผลรวมถ่วงน้ำหนักและทำให้มีแนวโน้มที่จะจัดให้มีการป้อนข้อมูลที่มีประสิทธิภาพต่ำกว่าค่าเกณฑ์. ในทางตรงกันข้ามบวกน้ำหนักทำให้เกิดการป้อนข้อมูลที่เกี่ยวข้องที่จะมีผลกระทบที่เพิ่มขึ้นเกี่ยวกับการถ่วงน้ำหนักผลรวมและทำให้เพิ่มโอกาสของผลรวมที่เกินค่าเกณฑ์ที่.) นอกจากนี้ยังมีขนาดที่แท้จริงของน้ำหนักควบคุมระดับที่สอดคล้องกันการป้อนข้อมูลที่ได้รับอนุญาตในการยับยั้งหรือกระตุ้นเซลล์ประสาทที่ได้รับ ดังนั้นโดยการปรับค่าน้ำหนักตลอดทั้งเครือข่ายประสาทเทียมเราสามารถเขียนโปรแกรมเครือข่ายเพื่อตอบสนองต่อปัจจัยการผลิตที่แตกต่างกันในลักษณะที่กำหนดไว้ล่วงหน้า

ผลลัพธ์ (ไทย) 3:

เป็นเซลล์ประสาทในโครงข่ายประสาทเทียมเป็นซอฟต์แวร์หน่วยที่เลียนแบบความเข้าใจนี้
พื้นฐานของเซลล์ประสาทชีวภาพ มันผลิตออก 1 หรือ 0
ขึ้นอยู่กับว่าข้อมูลที่มีประสิทธิภาพของมันเกินกว่าค่าที่ให้ ซึ่งเรียกว่า
ค่าเกณฑ์ของเซลล์ประสาท . การป้อนข้อมูลนี้มีประสิทธิภาพคือผลรวมถ่วงน้ำหนักของ
กระผมจริง ตามที่แสดงในรูปที่ 11.16 . ในรูปนี้ แทน
เซลล์ประสาทเป็นรูปไข่และการเชื่อมต่อระหว่างเซลล์ประสาทจะแทนด้วย
ลูกศร ค่าที่ได้จากการฉีดของเซลล์ประสาทอื่นๆ แทน โดย V1 , V2 , V3
แล้ว ) ใช้เป็นปัจจัยการผลิตเพื่อแสดงเซลล์ประสาท . นอกจากค่าเหล่านี้
แต่ละการเชื่อมต่อจะเชื่อมโยงกับน้ำหนัก ( แสดงโดย W1 , W2 และ W3 )
เซลล์ประสาทรับค่าอินพุตเหล่านี้คูณแต่ละเกี่ยวข้องน้ำหนัก
โดยการเชื่อมต่อและเพิ่มผลิตภัณฑ์เหล่านี้ในรูปแบบการป้อนข้อมูลที่มีประสิทธิภาพ ( v1w1 
v2w2  v3w3 ) ถ้าจำนวนนี้เกินกว่าค่าเกณฑ์ของเซลล์ประสาท , เซลล์ประสาทผลิต
output 1 ( จำลองเป็นสถานะกระตุ้น ) ; มิฉะนั้นเซลล์ประสาทผลิต
0 เป็นผลผลิตของตน ( จำลองการเจริญรัฐ ) .
ต่อไปนี้นำรูป 11.16 เรา adopt การประชุมของผู้แทน
เซลล์ประสาทเป็นวงกลมซึ่งแต่ละสัญญาณเชื่อมกับเซลล์ประสาท เราบันทึกน้ำหนัก
เกี่ยวข้องกับการป้อนข้อมูล สุดท้าย เราเขียนค่าเกณฑ์ของเซลล์ประสาทใน
กลางวงกลม ตัวอย่าง รูป 11.17 หมายถึง เซลล์ประสาทที่มีเกณฑ์ค่า
1.5 และน้ำหนักของ  2 , 3 และ  1 ที่เกี่ยวข้องกับแต่ละของการเชื่อมต่อสัญญาณของมัน

ดังนั้นถ้าเซลล์ได้รับปัจจัย 1 , 1 , 0 ,
การป้อนข้อมูลที่มีประสิทธิภาพคือ ( 1 ) (   2 ) ( 1 ) ( 3 )  ( 0 ) (  1 )  1 และทำให้ผลผลิตที่เป็น 0 แต่ถ้าเซลล์ประสาทรับ
0 , 1 และ 1 , ข้อมูลที่มีประสิทธิภาพของมันคือ ( 1 ) (   2 ) ( 1 ) ( 1 ) ( 1 ) ( 1   )  2
ซึ่งเกินค่าเกณฑ์ ของ เซลล์ประสาท ผลผลิตจึงจะเป็น 1 .
ความจริงที่ว่าน้ำหนักสามารถมีความหมายในเชิงบวกหรือเชิงลบที่ตำแหน่ง
ใส่ได้ทั้งยับยั้งหรือผลที่น่าตื่นเต้นในการรับประสาท . ( ถ้า
น้ำหนักเชิงลบแล้ว 1 ที่ตำแหน่งใส่ลดผลรวมถ่วงน้ำหนักและ
จึงมีแนวโน้มที่จะถือเข้าด้านล่างที่มีค่าเกณฑ์ ในทางตรงกันข้าม น้ำหนักบวก
สาเหตุที่นำเข้ามีการต่อน้ำหนัก
ผลรวมและดังนั้นจึงเพิ่มโอกาสของเงินเกินค่าเกณฑ์ )
นอกจากนี้ ขนาดจริง ของน้ำหนัก การควบคุมระดับที่ป้อนข้อมูลที่สอดคล้องกัน
อนุญาตให้ยับยั้งหรือกระตุ้นการเซลล์ . จากนั้น โดย
ปรับค่าของน้ำหนักตลอดเราสามารถ
โครงข่ายประสาทเทียมโปรแกรมเครือข่ายที่จะตอบสนองต่อปัจจัยต่าง ๆ ในลักษณะตามที่กำหนด