什麼是類神經網路？

類神經網路由多個稱為神經元的互連節點構成，這些單元會以分層式結構排列。每個神經元會先接收來自其他神經元的輸入內容，待處理完畢後，再將輸出內容傳送至其他神經元。

神經元間的連結往往會有相關權重值，用來代表連結強度。訓練期間，類神經網路會調整這些權重值，以提升處理特定工作時的效能。

藉由這樣的學習過程，類神經網路能夠做出預測並辨識模式，因此逐漸在各種應用情境中獲得廣泛採用，包括圖像辨識、自然語言處理和機器翻譯等領域。

類神經網路往往會依據架構、訓練方式和用途分類，常見的類型包括：

• 前饋類神經網路：這種基本類神經網路會以線性模式處理資料，由輸入到輸出循序漸進，不會來回循環。前饋類神經網路通常用於簡單的工作，例如分類和迴歸。
• 循環類神經網路 (RNN)：RNN 專為時間序列或自然語言等循序資料設計，這種類神經網路會使用回饋循環保留過去的輸入記錄，相當適合用來處理含有時間元件的資料。
• 卷積類神經網路 (CNN)：CNN 經過特別設計，適用於有關圖像的工作。這種類神經網路會使用卷積層擷取圖像的特徵，進而辨識邊緣和形狀等模式。
• 生成對抗網路 (GAN)：GAN 由產生器和鑑別器構成，這種類神經網路的運作方式是讓這兩個元件對抗。產生器會生成資料，鑑別器則可評估資料的真實性。
  通常在生成圖像、影片和音訊時，兩者就會互相對抗，之後產生器即可生成更真實的資料。

與傳統電腦演算法相比，類神經網路擁有更多優點，包括：

• 適應能力：類神經網路能夠學習新資料並據此調整，因此比傳統演算法更有彈性，也更穩健可靠。
• 非線性關係檢測能力：類神經網路可以瞭解複雜的非線性資料關係，這是傳統演算法難以辦到的。
• 平行處理能力：類神經網路具備平行處理特性，可同時在多個處理器上運作，因此處理速度更快，效率也更高。
• 容錯能力：比起傳統演算法，類神經網路更加可靠，因為這類演算法不會受到雜訊和資料缺失的影響。
• 一般化能力：由於類神經網路能夠歸納未學習過的新資料，用途比傳統演算法更多樣化。

類神經網路適用於各種應用領域，包括：

• 圖片辨識：輕鬆辨識圖像中的物件，適合應用在自動駕駛汽車、社群媒體平台和醫療診斷領域。
• 自然語言處理 (NLP)：類神經網路帶來機器翻譯、文字摘要和情緒分析功能，也是驅動 Google 翻譯與聊天機器人等工具的基礎。
• 金融模型建立：金融機構可善用類神經網路分析歷來金融資料，從中找出趨勢與模式，並據此考量適當的投資決策。