根據不同的應用場景，如何選用相對應的Deep Learning模型架構呢? 今天我們一起來看看幾個常用的模型架構和背後的運作原理。

1. CNN

應用場景

適用於影像類型的資料應用。例如，識別某一張圖是否為貓或狗的影像分類問題。或是捕捉某一張圖片內的人臉位置，這種物件偵測的問題。

模型運作原理

以圖片分類為例說明如下：

• 輸入：圖片長寬為W和H
• 過程：
  Step 1. 首先，定義一個權重矩陣叫做Kernel，矩陣大小為nxn。
  Step 2. 接著，我們讓這個矩陣在WXH的圖片上，由左到右，由上到下去移動，必且每次移動都和圖片上相對應的pixel去相乘，如此到最後，我們得到一個Convolved Feature Matrix。
  Step 3. 針對Convolved Feature Matrix，我們可接著以Max Pooling方式，依序去計算Convolved Feature Matrix特定範圍內的最大數值，如此down sampling我們的Convolved Feature Matrix。由於Max Pooling讓後續所需要學習權重數量減少，有助於減少模型Overfitting問題。(因為模型太複雜，而導致模型訓練成績很高，實際上卻無法被通用的使用。)
  Step 4. 最後，我們可以把Matrix拉平(Flatten)，連接到輸出層的激活函數，來做預測。
• 輸出：分類機率

經典架構

• AlextNet
• GoogleLeNet
• ResNet

2. RNN

應用場景

適用於時間序列類型的資料應用。例如，外語的翻譯、股票預測等。

模型運作原理

輸入：時間序列資料
原理：神經網路每一次除了看當前的輸入，也會將前一次的輸出納入考量，確保參數的訓練考量到前後資訊的關係。
輸出：時間序列的目標值

經典架構

• RNN
• LSTM
• GRU

问题 1：CNN的层次结构

问题： CNN通常包含哪些类型的层？

A) 输入层、隐藏层、输出层
B) 卷积层、池化层、全连接层
C) 循环层、嵌入层、注意力层
D) 编码器层、解码器层、注意力层

答案：B) 卷积层、池化层、全连接层

解释： CNN通常包含卷积层（用于提取特征）、池化层（用于降维和保留重要信息）以及全连接层（用于输出预测结果）。

问题 2：RNN的循环连接

问题： RNN之所以称为"循环"神经网络，是因为它具有什么样的连接方式？

A) 单向连接
B) 双向连接
C) 前向连接
D) 自反馈连接

答案：D) 自反馈连接

解释： RNN的循环连接是指神经网络内部的连接方式，其中神经元的输出会成为下一个时间步的输入，从而允许信息在网络内循环传递。