人工神經網路 (ANN/MLP) 互動演示

🧩 一、結構：三種層 + 全連接

ANN 模仿人腦神經元：每個神經元收到很多訊號、加權整合、再決定要不要「興奮」傳下去。

輸入層 Input接收外部資料（像素、感測器數值、特徵）。

隱藏層 Hidden做特徵提取與運算——「深度」就發生在這裡，可以有很多層。

輸出層 Output給出最終結果（分類機率、回歸數值）。

🎮 二、動手玩：2-4-1 的迷你網路

拖動兩個輸入 $x_1$、$x_2$，看訊號怎麼流過網路。神經元越藍＝激活值越高；連線藍色是正權重、紅色是負權重，粗細代表大小。按「隨機重置權重」換一組參數。

正權重 (激發)

負權重 (抑制)

神經元亮度 = 激活程度

輸入 $x_1$: 0.5

輸入 $x_2$: 0.5

最終輸出 Output: 0.00

🗺️ 怎麼看

調 $x_1$、$x_2$，隱藏層每個神經元會依「收到的加權總和」變亮或變暗，訊號一層層傳到輸出。隨機重置權重會換掉所有連線的正負與粗細——你會看到同樣的輸入，輸出完全不同。訓練做的事，就是慢慢調這些權重，讓輸出變準。

➡️ 三、前向傳播：一個神經元在算什麼

資料怎麼從輸入變成輸出？每個神經元都做同一件事：

$$ y = \sigma\left(\sum_i (w_i \cdot x_i) + b\right) $$

$x_i$ 輸入上一層傳來的訊號。

$w_i$ 權重 Weight連接的強弱（正=激發、負=抑制）。學習就是在調它。

$b$ 偏差 Bias神經元的激活門檻，整體上下平移。

$\sigma$ 激活函數加入非線性、決定神經元要不要「興奮」（demo 用 Sigmoid 壓到 0~1）。

⚡ 四、為什麼一定要激活函數？

沒有它，堆再多層都白搭

如果每層只做線性運算（沒有非線性激活），那多層線性疊加起來，數學上仍然等於「一個線性模型」——再深也學不到彎曲的非線性關係。激活函數（ReLU、sigmoid、tanh…）的作用就是在每層之間塞進非線性，網路才真正有「表達複雜函數」的能力。詳見激活函數。

🌌 五、為什麼「多層」這麼強？通用近似定理

Universal Approximation Theorem

這個定理說：只要隱藏層的神經元夠多，MLP 理論上可以逼近任何連續函數。這就是為什麼神經網路能學會開車、畫畫、寫作——它是個超級有彈性的「萬能曲線擬合器」。
（實務上「夠多」可能天文數字，所以我們才會用 CNN、Transformer 這些更聰明的結構來省參數。）

🔄 六、怎麼訓練？前向 → 損失 → 反向傳播

① 前向傳播算出預測，和真實答案比對得到損失。

② 反向傳播 Backprop用鏈式法則算出「每個權重該負多少責任」（梯度）。

③ 梯度下降沿梯度反方向微調每個權重，讓損失下降。見梯度下降。

④ 反覆迭代跑很多次，權重越調越好，輸出越來越準。

⚖️ 七、MLP vs CNN / RNN：什麼時候用哪個

資料型態	適合的網路	為什麼
表格 / 向量	MLP	一般用途、夠用
影像	CNN	局部連接、權重共享，抓空間特徵、省參數
序列 / 文字	RNN/LSTM、Transformer	處理先後順序與長距依賴

🧠 MLP 對影像的痛點

全連接 MLP 用在影像會參數爆炸（每個像素都連到每個神經元）、又沒利用「相鄰像素相關」的空間結構——所以影像改用 CNN。

🧪 九、觀念自我檢測

先想再點開。

Q1. MLP 由哪三種層組成？

輸入層、隱藏層、輸出層，層間全連接。

Q2. 一個神經元怎麼算輸出？

$y = \sigma(\sum w_i x_i + b)$：加權和 + 偏差，再過激活函數。

Q3. 為什麼一定要激活函數？

沒有非線性，多層線性疊加仍等於一個線性模型，學不到非線性關係。

Q4. MLP 怎麼學習權重？

前向傳播算損失 → 反向傳播算梯度 → 梯度下降更新，反覆迭代。

Q5. 影像為什麼不用全連接 MLP？

會參數爆炸又沒利用空間結構；改用 CNN（局部連接、權重共享）。

📝 iPAS 考點提醒

人工神經網路(ANN/MLP)是深度學習的基礎,iPAS 必考(初級科目一、中級科目三)。重點:由輸入、隱藏、輸出層的神經元組成,靠激活函數帶非線性、用反向傳播與梯度下降學參數。易混點:全連接 MLP 對影像沒有 CNN 的空間結構優勢(參數爆炸);層多不一定好(會過擬合、梯度消失)。情境:理解神經網路基本單元;表格資料可用、影像或序列改用 CNN 或 Transformer。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

多層感知器(MLP)是什麼？

最基本的前饋神經網路，由輸入層、一或多個隱藏層與輸出層組成，層間全連接，透過非線性激活學習複雜的輸入到輸出映射。

為什麼一定要有激活函數？

若沒有非線性激活，多層線性疊加仍等於一個線性模型、學不到非線性關係；ReLU、sigmoid、tanh 等提供非線性，網路才有表達力。

MLP 怎麼學習(訓練)？

前向傳播算出預測與損失，再用反向傳播(backpropagation)沿鏈式法則算各權重梯度，並以梯度下降更新權重，反覆迭代。

MLP 和 CNN、RNN 怎麼選？

MLP 適合一般表格或向量資料；影像有空間結構用 CNN(局部連接、權重共享)；序列或時間相依用 RNN/LSTM 或 Transformer，效率與效果更好。

MLP 常見的訓練問題？

過擬合(用 Dropout、正則化、早停)、梯度消失(用 ReLU、BatchNorm、合適初始化)、對特徵尺度敏感(先標準化)。

🧭 相關主題

深度學習總覽激活函數損失函數梯度下降 ReLU CNN

← 返回 AI 學習與考證地圖

人工神經網路 (ANN/MLP)：最基礎的神經網路長什麼樣？