背景介紹

近年來，人工智慧和深度學習變成了熱門的話題，而深度學習的相關技術也不斷地更迭。深度學習的模型為透過神經網路作為基礎，經由不斷調整內部結構以及參數設定，使電腦可以建構出類似大腦工作的方式。由於此種學習架構是受到生物結構所啟發的，因此被稱為類神經網路。

生物學中提到，神經元會彼此相連，而一個神經元往往會受到許多其他神經元的訊號影響，並會決定自身是否會被激發。神經細胞處理訊號後會經過多個步驟處理，分別為將所收集的訊號加總、經過非線性轉換、產生一個新的訊號。因此訊號的大小會經過無數次的轉換，最終才會產生輸出訊號。

神經元計算示意

我們可以用以下這張圖作為示意，

圖片來源：連結

根據示意圖，總共有n維輸入的變量(x1,…,xn)，而每個輸入的變量皆有相對應的權重(w1,w2,…,wn)，接下來則會將輸入變量乘上對應的權重值後相加，隨機加上偏差(Bias)後，將數值放入一個非線性轉換的函數，最後獲得輸出值y。

若將此段描述表示為數學式，則可表示成：

基礎的神經網路架構

上面的架構為一個神經的運作方式，若推廣成類神經網路，則可以用下圖表示。

圖片來源：連結

類神經網路架構共可分為三層，

1. 輸入層：接受資訊，並放入神經網路中，對於資料進行處理後，則會傳遞至下一層
2. 隱藏層：從輸入層或是其他的隱藏層中接收資訊，並分析前一層的輸出、進行處理後，傳遞給下一層
3. 輸出層：輸出層會給予神經網路最後的處理結果，輸出的數值會根據所設定的問題類型而有所不同(分類問題、數值預測)，若為二元分類問題，將只會輸出一個節點(0或1)，若為多分類問題，則可能會輸出多個節點。

下一篇則會介紹各種不同類型的神經網路！