~今天要分享的是「DNN、CNN、RNN介紹」~

在深度學習的模型中，最常見到的有DNN、CNN和RNN這三種模型，在這篇文章就來瞭解它們的原理吧！

• DNN(Deep Neural Network)：中文稱作「深度神經網路」，用來處理複雜的數據。
  DNN模型分成三大部分：輸入層、隱藏層以及輸出層。

1. 輸入層(Input Layer)：只會有一層。用來接收原始資料的數據。
2. 隱藏層(Hidden Layers)：可以有多層。用來學習數據中的模式以找到資料間的關係。
3. 輸出層(Output Layer)：只會有一層。用來輸出模型的預測結果。
   有些DNN模型會包含拋棄層(Dropout Layer)，這是用來防止模型過擬合的技術。

• CNN(Convolutional Neural Network)：中文稱作「卷積神經網路」，用來處理圖像和影像數據。
  CNN模型分成五大部分：輸入層、卷積層、池化層、全連接層以及輸出層。

1. 輸入層(Input Layer)：只會有一層。用來接收原始資料的數據。
2. 卷積層(Convolutional Layers)：可以有多層。用來擷取數據的特徵。
3. 池化層(Pooling Layers)：可以有多層。用來降低數據的維度，避免過擬合。
4. 全連接層(Fully Connected Layers)：只會有一層。以激活函數增加模型的預測能力。
5. 輸出層(Output Layer)：只會有一層。用來輸出模型的預測結果。

• RNN(Recurrent Neural Network)：中文稱作「遞迴神經網路」，用來處理自然語言數據，具有記憶功能。
  RNN模型分成四大部分：輸入層、遞迴層、隱藏層以及輸出層。

1. 輸入層(Input Layer)：只會有一層。用來接收原始資料的數據。
2. 遞迴層(Recurrent Layer)：可以有多層。用來傳遞資料間的訊息並保持記憶以更新到下一個訊息。
3. 隱藏層(Hidden Layers)：可以有多層。用來學習數據中的模式以找到資料間的關係。
4. 輸出層(Output Layer)：只會有一層。用來輸出模型的預測結果。