60.有關深度學習演算法，下列敘述何者正確？
(A)遞迴式類神經網絡是人工神經網路中最普遍的型態之一，在此架構下資料係從輸入層通過隱藏層後到輸出層進行 單向傳導，其內部結構中不會出現迴路
(B)卷積神經網路是由一個或多個卷基層，與一個或多個全連接層來形成一個標準多層神經網路，透過此結構可以在 每一層萃取出越來越複雜的特徵以決定輸出值
(C)前饋神經網路是神經網路的神經元包含迴圈的人工神經網路，適合處理有序列性的輸入值
(D)長短期記憶神經網路是一種由兩套相互競爭的神經網路組成的非監督式深度學習系統

• (A) 遞迴式類神經網絡是人工神經網路中最普遍的型態之一，在此架構下資料係從輸入層通過隱藏層後到輸出層進行單向傳導，其內部結構中不會出現迴路 這是錯誤的。遞迴式神經網路（RNN）是處理有序列數據的一種網路，它的特點是具有內部迴路結構，這樣可以將前一時間步的輸出反映回輸入層，從而處理時間序列數據。

• (B) 卷積神經網路是由一個或多個卷基層，與一個或多個全連接層來形成一個標準多層神經網路，透過此結構可以在每一層萃取出越來越複雜的特徵以決定輸出值 這是正確的。卷積神經網路（CNN）由卷積層和全連接層組成，在卷積層中進行特徵提取，層層深入地萃取出從低層的簡單特徵到高層的複雜特徵，這有助於圖像分類、物體檢測等應用。

• (C) 前饋神經網路是神經網路的神經元包含迴圈的人工神經網路，適合處理有序列性的輸入值 這是錯誤的。前饋神經網路（Feedforward Neural Network, FNN）是最基本的神經網路架構，數據在網路中是單向流動的，從輸入層通過隱藏層到達輸出層。它不包含迴圈，也不適合處理序列數據。處理序列數據的是遞迴神經網路（RNN）。

• (D) 長短期記憶神經網路是一種由兩套相互競爭的神經網路組成的非監督式深度學習系統 這是錯誤的。長短期記憶（LSTM）是一種特殊的RNN，它通過引入記憶單元來解決RNN的長期依賴問題。LSTM不是由兩套競爭的網路組成，而是專注於控制信息的長期記憶和丟棄不需要的信息。它通常是監督式學習系統的一部分。

? 為什麼選 (B)？

• CNN (卷積神經網路) 的特性： 它最擅長處理圖像。透過「卷積層 (Convolutional Layer)」像濾鏡一樣掃描圖片，底層萃取簡單的線條、中層萃取形狀、高層則萃取具體的特徵（如眼睛、鼻子），最後再透過「全連接層」來分類。

• 階層化特徵： 描述中提到「萃取出越來越複雜的特徵」正是 CNN 的精髓所在。

❌ 其他選項錯在哪裡？（這幾個選項剛好「張冠李戴」了）

• ** (A) 敘述的是「前饋神經網路 (Feedforward NN)」：** 題目中說單向傳導、沒有迴路，這是前饋網路的定義，而不是遞迴式 (RNN)。

• ** (C) 敘述的是「遞迴神經網路 (RNN)」：** RNN 的神經元包含迴圈（Loop），所以才適合處理具有「序列性」或「時間關聯」的資料（如翻譯或天氣預測）。

• ** (D) 敘述的是「生成對抗網路 (GAN)」：** 兩套互相競爭的神經網路（生成器 vs. 判別器）是 GAN 的特徵。長短期記憶 (LSTM) 其實是 RNN 的一種進階版，用來解決長序列記憶的問題。

讓我們用簡單的比喻來理解這些選項：

(A) 遞迴式類神經網絡 (RNN) 就像一個有記憶的講故事的人。 他講一句話（輸入），會記住之前說過的內容，然後根據記憶來決定接下來要說什麼。選項 (A) 說這個講故事的人講完一句就忘了之前的，這就不對了，因為 RNN 的重點就是有「迴路」來記住過去。

(B) 卷積神經網路 (CNN) 就像一個很厲害的偵探，他一層一層地分析照片。 第一層可能找出照片裡的線條和邊緣，第二層把這些線條組成更複雜的形狀，越到後面就能認出眼睛、鼻子等更具體的特徵，最後判斷這是誰的照片。選項 (B) 說 CNN 透過一層層分析提取越來越複雜的特徵來判斷結果，這是對的。

(C) 前饋神經網路 (Feedforward Neural Network) 就像一個單向的生產線。 材料（輸入）從一端進去，經過不同的處理站（隱藏層），最後變成產品（輸出）出來。資料只會往前流動，不會回到之前的步驟。選項 (C) 說前饋神經網路有「迴圈」而且適合處理有順序的東西，這就不對了，它更像是一次性的處理。

(D) 長短期記憶神經網路 (LSTM) 是一種特殊的記憶型講故事的人。 他比一般的 RNN 擁有更厲害的記憶力，能記住很久以前的關鍵情節，也能選擇性地忘記不重要的細節。選項 (D) 說 LSTM 是由兩套互相競爭的網路組成的非監督式學習系統，這是錯誤的。LSTM 是一種特殊的 RNN 結構，通常用於監督式學習。