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