AKIRA.IPAS-AI.COM · NEURAL SIGNAL VISUAL FIELD GUIDE

神經網路訊號・流體圖鑑

⚠ 此裝置不支援 WebGL,無法顯示 GPU 流體模擬。
下方資訊面板仍可正常瀏覽 7 種神經網路訊號的重點整理。
滑鼠 / 手指拖曳可攪動流體
← → 切換 · WEBGL FLUID

📝 iPAS 考點提醒

神經網路的訊號流動是 iPAS 初級科目二與中級科目三「深度學習」的必考基礎。常見考法:前向傳播算輸出、反向傳播用鏈鎖律把損失對各權重的梯度往回傳、再用梯度下降更新;CNN 以卷積核掃描影像擷取局部特徵、池化縮小尺寸;RNN 把前一步隱藏狀態帶到下一步、但長序列會梯度消失;LSTM 用遺忘/輸入/輸出閘門保留長期記憶;注意力讓每個位置直接連到整句;ResNet 的殘差跳接讓很深的網路也能訓練。易混點:梯度消失與爆炸的對策(ReLU、BatchNorm、殘差、梯度裁剪);層數不是越多越好。情境題長相:「訓練很深的網路時準確率反而下降,可引入何種結構改善?」答殘差連接(ResNet)。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

前向傳播和反向傳播差在哪?

前向把輸入逐層加權轉換算出預測;反向用鏈式法則把誤差逐層回傳、算出每個權重的梯度並更新。一來一回構成一次訓練迭代。

CNN 的卷積在做什麼?

小卷積核在影像上滑動做加權求和,抓取局部特徵;權重共享讓參數量大減,越深層特徵越抽象(邊緣→形狀→物件)。

RNN 和 LSTM 差在哪?

RNN 只有一條隱藏狀態,序列一長梯度消失、記不住早期資訊;LSTM 加入細胞狀態與遺忘/輸入/輸出三道門,長期資訊保得住。

注意力機制的 Q、K、V 是什麼?

Query 和每個 Key 算相似度、softmax 成權重後對 Value 加權求和——每個位置都能直接看到全句,不受距離限制。

殘差連接解決什麼問題?

深網路的退化與梯度消失:輸出=F(x)+x,梯度可經跳接直達淺層,ResNet 因此能疊上百層,Transformer 每層也都靠它。

🧭 相關主題

← 返回 AI 學習與考證地圖