生物神经网络以人工神经网络的形式建模， 其中人工神经元模拟生物神经元的功能。人工神经元如下图所示：

每个神经元由三个主要部分组成： 

1. 一组“i”个突触，其权重为 w i。信号 x i形成具有权重 w i的第 i 个突触的输入。任何权重的值都可以是正值或负值。正权重具有非凡的效果，而负权重对求和点的输出具有抑制作用。
2. 输入信号的求和点由相应的突触权重加权。因为它是加权输入信号的线性组合器或加法器，所以求和点的输出可以表示如下： 
3. 阈值激活函数（或简称激活函数，也称为挤压函数）仅当超过特定阈值的输入信号作为输入时才会产生输出信号。它的行为类似于生物神经元，仅当总输入信号满足发射阈值时才传输信号。

激活函数的类型：

有不同类型的激活函数。下面列出了最常用的激活函数：

A.恒等函数：恒等函数用作输入层的激活函数。它是一个线性函数，其形式为

显然，输出与输入保持相同。

B. 阈值/步长函数：是常用的激活函数。如图所示，当输入的输出为 0 或正值时，它给出1 。如果输入为负，则输出为 0。用数学的方式表达出来， 

阈值函数几乎类似于阶跃函数，唯一的区别是 

 用作阈值而不是 。用数学的方式表达，

C. ReLU（修正线性单元）函数：它是卷积神经网络和深度学习领域最常用的激活函数。它的形式如下：

这意味着当 x 小于零时 f(x) 为零，当 x 大于或等于 0 时 f(x) 等于 x。该函数是可微的，除了在单点 x = 0 处。从这个意义上说，ReLU 的导数实际上是次导数。

D. Sigmoid 函数：它是迄今为止神经网络中最常用的激活函数。对 sigmoid 函数的需求源于这样一个事实：许多学习算法要求激活函数是可微的，因此是连续的。sigmoid 函数有两种类型： 

1.二元Sigmoid函数

二元 sigmoid 函数的形式为： 

，其中k = 陡度或斜率参数，通过改变 k 的值，可以获得不同斜率的 sigmoid 函数。它的范围是(0,1)。原点的斜率是k/4。当k的值变得非常大时，sigmoid函数就变成了阈值函数。 

2. 双极 Sigmoid 函数

双极 sigmoid 函数的形式为 

sigmoid 函数的值范围可以根据应用而变化。然而，最常用的范围是(-1，+1)。

E. 双曲正切函数：它本质上是双极的。它是一种被广泛采用的激活函数，用于一种称为反向传播网络的特殊类型的神经网络。双曲正切函数的形式为

 

该函数类似于双极 sigmoid 函数。