>_<.

세포체 soma, cell body : 세포핵이 있고 많은 수상돌기랑 하나의 축삭돌기가 연결되 있다. 뉴런으로 들어온 자극은 일정시간동안 세포체내에서 가중된다.

수상돌기 dendrite : 세포체 주의의 가느다란 섬유들, 인접한 뉴런에서부터 들어오는 세포들의 통로, CE 틱하게 얘기하면 입력 스트림 정도 되겠다. 보는것처럼 수가 많다.

축삭돌기 axon : 한개의 가늘고 긴 섬유로 되있다. 인접 뉴런으로 세포의 흥분을 전달하는 역활을 한다. 랑비에 마디 node of Ranvier 가 있어서 흥분이 빠르게 전달되도록 한다. 1mm 간격으로 있다구 한다. 그리구 축삭 융기부 axon hillock 에서 재미난 현상이 일어나는데, 수상돌기로 부터 입력된 자극이 임계치를 넘으면 축삭돌기로 신경 흥분을 내보낸다. 자극이 임계치보다 작으면 반응이 일어나지 않는다.

그리구 축삭돌기의 끝 부분이랑 다른 신경세포의 수상돌기나 세포체가 만나는 부분을 시넵스 synapse 라구 한다(사실 떨어져 있다). 이거 덕분에 신경 흥분의 전달 속도가 더 빨라질 수 있다구 한다. 시넵스에는 흥분성 excitatory 과 억제성 inhibitory 의 두가지 종류가 있다. 대충 어떤 역활을 하는지는 이름만 보면 감이 올태니까 넘어가자능. 궁금하면 구글신께 물어보자.

 뉴런이 활성화 되는데는 몇가지 조건이 있는데....다음과 같다.

1. 자극의 크기가 임계치 이상 커야 된다.
2. 자극이 일정 시간 이상 지속되야 한다.
3. 자극이 약할경우 자극을 반복해야 한다.
4. 일단 활성화된 뉴런은 일정 시간이 지나야 한다. (쿨타임)

 그리고 편견 bias 도 활성화야 관여한다고 한다.

 뇌에는 요런게 잔득 들어있어서 지들끼리 마구 연결되 있는데...기억된 정보는 뉴런간의 연결 강도, 그러니까 시넵스의 연결 강도의 형태로 저장되어 있다구 한다. 자극이 반복되면 그러니까 활성화가 반복되면 연결 강도가 변하게 된다. 이 변화 과정을 거쳐서 장기 기억이 되면 더 이상 연결 강도가 변하지 않게 된다. 물론 널리 인정되고있는 얘기가 그렇다는 거다능.

인공 신경망
 
 바로 위에서 설명한 것들을 수학적으로 모델링한게 인공 신경망이다. 인공 신경망에서 뉴런의 기능적 모델은 다음과 같다.


 NET는 입력들의 가중합 net input net weight 을 말하는거구 OUT는 당연히 출력이다.

NET =  ∑ 입력

OUT = f(NET)

 여기서 f(x)는 뉴런의 반응 여부(활성화 여부)를 결정하는 함수로 활성화 함수 activation function 라고 한다. 많은 종류의 활성화 함수가 있는데 다른거는 링크를 따라가서 보구(http://www.willamette.edu/~gorr/classes/cs449/Maple/ActivationFuncs/active.html) 여기서 사용된 활성화 함수는 임계치가 T인 계단 함수라구 치고 OUT를 구해보면 다음과 같다.


 생물학적 신경망은 뉴런 하나가 단독으로 기능하는게 아니라 여러개가 서로 상호작용 하고 있으니까 인공 신경망도 뉴런들을 마구 연결시켜 놔보면 대충 이런 그림이 된다.



 
 저 동그라미가 뉴런이구 겹쳐 있어서 이상하게 보이겠지만 화살표가 연결이다. 한글로 써놓인까 이상하네 -_-;; 아무튼 그림을 보면 딱 감이 오지 않냐능. 버택스가 뉴런이구 엣지가 시넵스 연결강도인 방향성 가중치 그래프라능. 이런 방식으로 생물학적 신경망을 모델링한것을 인공 신경망 모델이라고 한다. 일반적인 신경망 모델을 또 한번 보자능.



  그림에서 보면 하나의 뉴런에 입력들이 여러게 있구 입력 갯수만큼 연결 강도가 있고 출력이 하나 있다. 뉴런이 여러개 있으면 위에 위에 그림하구 똑같아 질꺼라능.....하악. 아무튼 일반적으로 입력하고 연결강도는 백터 형태로 표시 한다.

x = [ x1  x2  x3  ........  xn ]
w = [ w1  w2  w3  .......... wn ]

 뉴런 y의 NET는 다음과 같이 구할 수 있다.

NET  =  ∑(x*w)
        =  x1*w1 + x2*w2 + x3*w3 + ....... + xn*wn

백터 형태로 표현하면 다음과 같다.

NET = x · w

점이 잘 보이는 모르겠지만 내적이라능. 그리고 출력 OUT는 다음과 같다.

OUT = f( NET )
       = f( ∑(x*w) )
       = f( x · w )

f(x)  =  1   ; NET ≥ T
           0  ; NET ＜ T

바이어스를 고려한 신경망 모델은 다음과 같다. 요게 인제 앞으로 많이 볼 신경망 모델이다.


바이어스의 입력값은 항상 1 이구 연결강도 b를 가지고 있다. 요걸 고려하면.....

x = [ x1  x2  x3  ........  xn   1 ]
w = [ w1  w2  w3  .......... wn  b ]

NET  = x · w
        =  ∑(x*w) + b
        =  x1*w1 + x2*w2 + x3*w3 + ....... + xn*wn + b

OUT = f( NET )
       = f( ∑(x*w) + b )
       = f( x · w )

가중합을 구할때 말고는 다른게 업ㅂ다. -_-;;