23. 類神經網路中，下列哪一個選項主要負責引入非線性能力，使網路能夠學習複雜的模式？
(A)權重(Weights)
(B)偏差(Bias)
(C)激勵函數(Activation Function)
(D)損失函數(Loss Function)。

答案：登入後查看
統計： A(13), B(5), C(21), D(6), E(0) #3435252

詳解 (共 2 筆)

#6410539

在類神經網路中：

  • 權重 (Weights) 和 偏差 (Bias) 是網路的參數，它們對輸入進行線性轉換（加權求和並加上偏差）。僅僅依靠權重和偏差，無論堆疊多少層，都只能實現線性的輸入輸出關係。
  • 損失函數 (Loss Function) 用於衡量網路的輸出與實際目標值之間的差距，用於在訓練過程中指導權重和偏差的更新方向，但它本身不引入非線性能力來建模資料。
  • 激勵函數 (Activation Function) 應用於加權求和加上偏差的結果之後。大部分常用的激勵函數（如 ReLU, Sigmoid, Tanh 等）都是非線性函數。正是這些非線性激勵函數的存在，使得類神經網路能夠逼近和學習資料中的複雜非線性模式。如果沒有非線性激勵函數（或者只使用線性激勵函數），無論網路有多少層，其整體效果都等同於一個單層的線性模型。

因此，主要負責引入非線性能力，使網路能夠學習複雜模式的是激勵函數。

1
0
#6436661


(A) 權重 (Weights)：決定輸入訊號對神經元輸出的影響程度，但本身僅進行線性運算。

(B) 偏差 (Bias)：調整激勵函數的輸入值，幫助模型更好地擬合資料，但也屬於線性項。

(C) 激勵函數(Activation Function)：主要負責將線性組合的輸入轉換為非線性輸出，賦予神經網路學習複雜模式與特徵的能力。常見的激勵函數如 ReLU、sigmoid、tanh 等。

(D) 損失函數(Loss Function)：用來衡量預測結果與實際答案的差距，指導模型學習方向，與非線性能力無直接關聯。

答案：C
激勵函數(Activation Function)主要負責引入非線性能力，使網路能夠學習複雜的模式。

0
0