神經網路種類
1. 卷積神經網路（Convolutional Neural Network, CNN）
卷積神經網路（CNN）是一種
擅長處理 圖像、影片數據 的 神經網路，
並且 提取 數據中 的 空間特徵。
CNN 通常包括 3 種主要層次：
1.卷積層 負責 提取 數據 的 局部特徵，例如邊緣、紋理等
2.池化層 用於 減少 數據 的 空間維度， 提升 運算效率
3.全連接層 負責 將特徵 反映 為 最終的 分類 或 預測結果。
臉部辨識
臉部辨識的核心技術依賴於卷積神經網路（CNN），
這些圖像會經過 CNN 處理和標記，用於構建高效的特徵提取和分類模型，
使系統能準確區分不同的人臉特徵，例如眼睛、鼻子與嘴巴的相對位置
和形狀，最後將人臉與系統中預存的數位圖像進行比對，來完成身份認證。
2.循環神經網路（Recurrent Neural Network, RNN）
循環神經網路 具有「記憶」功能，能夠利用 前一時間步驟的輸出 作
為當前步驟的輸入，實 現 對序列數據 的 依賴建模，因此
RNN 特別適合處理 與時間相關 的任務，
例如 金融市場預測、手寫識別。
3.生成對抗網路（Generative Adversarial Network, GAN）
GAN 生成對抗網路是透過
生成器（Generator） 和 判別器（Discriminator）
兩部分相互競爭來實現數據生成。
生成器 專注於 創造 逼真的數據，而
判別器 則負責判斷 這些數據 是否真實，
形成一個動態的對抗過程，
最終生成器能夠創建出 幾乎無法分辨真假數據的成果。
其在 影像生成 與 處理領域 展現出色能力，包括
3.1 圖像修復
3.2以假亂真的人臉生成
等應用
4.感知器（Perceptron）
感知器是人工神經網路的起點，由 Frank Rosenblatt 在
1957 年首次提出。感知器的主要功能是處理二元分類問題，
例如將數據分為「A 類」和「B 類」。雖然感知器的設計相對簡單，
僅能處理 線性可分的數據，但它為神經網路的發展奠定了理論基礎。
5.前饋神經網路（Feedforward Neural Network, FNN）
前饋神經網路 是 多層神經網路 中最基本的類型，
數據在網路中 只能單向傳輸，從輸入層 經過 一層 或 多層 隱藏層，
最後到達 輸出層。
每一層的神經元都與下一層的神經元相連，且無 反饋 或 循環 結構。
前饋神經網路 用於評估 學生的測驗數據，分析弱點並提供針對性的建議。
6.圖神經網路（Graph Neural Network, GNN）
圖神經網路 用來分析 圖形結構數據 的 機器學習模型。
圖形結構可以簡單理解為一種
由「點」（Node）和「線」（Edge）組成的資料形式，
目的是 從這些 點和線 的關係中找出有價值的資訊，
然後根據這些資訊，幫助整個圖表更好地完成一些 預測 或 分類 任務。
7.Transformer 神經網路
Transformer 模型的核心是「注意力機制」，可以快速抓住數據中
各部分的關聯性，早期常被廣泛用在自然語言處理上，
像是大家熟悉的 GPT、BERT，但現在 Transformer 已經統一
所有領域的模型，它也能處理 視覺、語音等不同領域，
因此現階段的 ChatGPT 才有辦法 理解圖片的內容 並 回答我們的問題。
發表文章
