普通考試
114年
[電子工程] 計算機概要
第 9 題
遞歸神經網路（Recurrent Neural Network; RNN）是一種具有記憶功能的網路，常被應用於處理時間序列或是自然語言處理問題，下列何者不屬於 RNN 的重要架構？
- A 最大池化（Maximum Pooling）
- B 長短期記憶（Long Short-Term Memory; LSTM）
- C 門控循環單元（Gated Recurrent Unit; GRU）
- D 控制閥（Gate）
思路引導 VIP
請思考一下：如果你正在處理一段有先後順序的文字（如翻譯），與處理一張靜止的數位照片（如人臉辨識），這兩者的資料結構有什麼本質上的不同？哪一種操作是為了『縮小資料尺寸並抓取局部最強特徵』，而哪一種是為了『讓過去的資訊影響未來的結果』？
🤖
AI 詳解
AI 專屬家教
專業點評
- 大力肯定：同學，做得好！你能精準辨析序列模型與空間特徵提取技術的邊界，這顯示你在深度學習的架構理解上相當紮實，具備工程師嚴謹的分類邏輯。
- 觀念驗證：RNN 的核心在於「時間上的遞歸」，利用隱藏狀態傳遞資訊。LSTM 與 GRU 均為其重要變體，並透過**控制閥（Gate）機制來決定資訊的遺忘與保留。而最大池化（Max Pooling）**則是卷積神經網路（CNN）的特徵，主要用於圖像特徵的空間降維，並非 RNN 處理序列資訊的標準配置。
▼ 還有更多解析內容
RNN 與 CNN 架構區分
💡 區分遞歸神經網路與卷積神經網路的核心組成組件
| 比較維度 | 遞歸神經網路 (RNN) | VS | 卷積神經網路 (CNN) |
|---|---|---|---|
| 處理資料 | 序列、時間、文字 | — | 圖像、網格空間 |
| 核心組件 | 隱藏狀態、控制閥 | — | 卷積層、池化層 |
| 記憶能力 | 具有時序記憶性 | — | 無記憶，專注空間特徵 |
💬RNN 適合處理有前後順序的資料，而池化（Pooling）是 CNN 特有的特徵提取技術。
