4. 下列有關神經網路的敘述何者正確？
(1) 神經網路函數學習機輸出的答案和正確答案的差距，可以使用損失函數(loss function)來計算。
(2) 為了要找出損失函數最小值的參數，須往梯度的相同方向走，這種方式稱為梯度下降法(Gradient Descent)。
(3) 神經網路調整參數的順序是由後面一層一層往前調，故稱為順向傳播法(Forward Propagation)。
(4) 學習率(Learning rate)的設定對找出神經網路參數的結果並沒有影響。
(A) 1
(B) 12
(C) 123
(D) 1234

讓我們先逐一分析每個敘述：

(1) 神經網路函數學習機輸出的答案和正確答案的差距，可以使用損失函數(loss function)來計算。

• 正確。損失函數（Loss Function）或成本函數（Cost Function）正是用來衡量神經網路模型的預測輸出與真實標籤之間的差異。損失值越小，表示模型的預測越接近真實值。

(2) 為了要找出損失函數最小值的參數，須往梯度的相同方向走，這種方式稱為梯度下降法(Gradient Descent)。

• 不正確。梯度（Gradient）指向函數值增長最快的方向。為了找到損失函數的最小值，我們需要沿著梯度的反方向移動。這就是梯度下降法（Gradient Descent）的核心思想：朝著坡度最陡峭的「下坡」方向走。

(3) 神經網路調整參數的順序是由後面一層一層往前調，故稱為順向傳播法(Forward Propagation)。

• 不正確。
  • **順向傳播（Forward Propagation）**是將輸入資料從輸入層經過隱藏層，最終到達輸出層的過程，計算出模型的預測輸出。
  • **反向傳播（Backpropagation）**才是神經網路調整參數（權重和偏差）的過程。它從輸出層開始，將損失的梯度反向傳播回前面的層，並根據這些梯度來更新參數。因此，參數調整的順序是由後面一層一層往前調，這是反向傳播的特點，而非順向傳播。

(4) 學習率(Learning rate)的設定對找出神經網路參數的結果並沒有影響。

• 不正確。學習率（Learning Rate）是梯度下降法中的一個超參數，它決定了每次參數更新時邁出的步長。
  • 如果學習率太高，模型可能會跳過最小值，導致訓練不穩定甚至發散。
  • 如果學習率太低，模型收斂速度會非常慢，需要很長時間才能找到最小值。
  • 因此，學習率的設定對模型能否有效收斂、收斂速度以及最終找到的參數結果（是否是最佳解）有非常顯著的影響。

綜合以上分析，只有敘述 (1) 是正確的。

The final answer is A​