海巡季刊第105期
CGA Discussion Cloud CGA 交流雲 二、範例說明 手寫的字條,我們需要判斷出其中的數字,是 0-9 的哪一個?針對這個問題,首先我們可以先定義輸 入層及輸出層,假設每張手寫字條都是 10 × 10 相素,那麼我們便可以定義輸入層為 100 維的向量,而輸出 層的部分,則一定是 0-9 的其中一個,故我們可以畫出圖 4 中的架構。 接著在隱藏層中的架構運算,則需要 人類的技巧以及經驗判斷權重及層數,層 數太少可能造成準確度不夠,層數太多 也可能造成「過適( overfitting )」等現 象,當隱藏層建立之後,機器便可以透過 這樣的神經網路架構,產生出運算模型, 來解決手寫字條的問題。 三、常見的神經網路 神經網路百百種,也有相當多樣化 的變形,我們常聽到的有遞歸神經網路 ( Recurrent Neural Network, RNN )、 支持向量機( Support Vector Machine, SVM )及卷積神經網路( Convolutional Neural Network, CNN )等,都有各自不 同的特性,應用在不同的領域之中,各式 架構如圖 5 。 陸、卷積神經網路( Convolutional Neural Network, CNN ) 看完神經網路( Neural Network, NN )的介紹,在生活中最常見的東西不 外乎就是圖像與語音了,而現在要介紹的 卷積神經網路( CNN ),就是辨別處理這 兩個領域的霸主,也是為何要特別提出來 介紹的原因。 4. Andrew Tch ,〈 The mostly complete chart of Neural Networks, explained 〉, Medium 部落格平 臺, https://towardsdatascience.com/the-mostly-complete-chart-of-neural-networks-explained- 3fb6f2367464 。 圖 5 各式神經網路( Neural Network, NN )架構圖 4 64
Made with FlippingBook
RkJQdWJsaXNoZXIy MTYzMDc=