輸入層：接收數據，對應特徵值，是網絡的入口。

隱藏層：學習數據的抽象特徵，引入非線性，處理複雜模式。 

輸出層：產生結果，將特徵轉換為預測值(regression)或分類(classification)結果。



陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層

以行動支持創作者！付費即可解鎖

科技

Activation Function LeakyReLU

很常聽到深度學習，但到底是在學些什麼？今天來跟我一起學習一個重要的概念：

多層感知機（MLP, Multi-Layer Perceptron）是最基礎的神經網路之一。它雖然簡單，卻是許多進階模型的基礎，例如 CNN（卷積神經網路） 和 Transformer（變換器）（某論文），用於處理自然語言模

越南放大鏡 X 下班資工系

🚀 從零開始理解神經網路深度學習 MLP 

不太確定捲積式神經網路 (CNN) 的精確定義，但大致上是用捲積層 (convolution layer) 取代 DNN 中的幾個全連接層 (fully connected layer)，這些捲積層概念跟 feature filter 類似。

先大概有個概念就夠，實作時跟前一篇 DNN 一樣，這些

JN的沙龍

4. 實做 捲積式神經網路

Autoencoder 是一種無監督學習的神經網絡，分為編碼器（將數據壓縮為隱藏表示）和解碼器（將隱藏表示重建為原始數據）。其目標是最小化輸入和重建數據之間的誤差，廣泛應用於數據降維、特徵提取、去噪和生成模型（如變分自編碼器 VAE）。優點包括無需標籤學習和自動學習特徵，但也容易過擬合，需要大量數據

Princend的沙龍

AutoEncoder

深度學習是什麼?

簡單來說，深度學習是大型且多層的人工神經網路。我們可以想像神經網路（"Neural Nnetwork, NN"）是一種有向無環圖，此圖可拆分成三個部分來看: 1. 輸入層接收信號向量；2. 一個或多個隱藏層處理前一層的輸出; 3. 輸出層統合之前所有隱藏層的處理結果。神經網路的初

Kiki的沙龍

初探深度學習

簡單神經網路

一般而言，神經之間在突觸前後以電與化學信號傳遞訊息。然而，早在很久以前就已經證實了一些突觸外的溝通方式，例如使用神經肽來傳遞訊息。這些神經肽傳遞訊息的作用範圍尚不明確，近期研究進一步釐清了這種與傳統訊號傳輸完全不同的溝通途徑。

B612號神經元的沙龍

美英科學家透過線蟲研究神經間非突觸的信號傳輸方式

在我的上一篇文章中，我們提到了人工智慧 & 機器學習 & 深度學習跟神經網路的關係，我們也了解到了所謂的深度學習是一種基於神經網路上的機器學習方法。那麼神經網路到底是什麼呢? 我們上一篇文章裡面提到的神經網路的層Layer究竟是什麼呢? 到底為什麼神經網路需要這麼多的神經元(Neurons)跟層數呢

技術PM路易斯的沙龍

[AI小學堂(二)]神經網路是什麼? 淺談深度學習的神經網路Neural Network的架構

我們這個系列就是希望以非常科普的角度來解釋人工智慧。本篇要釐清人工智慧(AI: Artificial Intelligence)，機器學習 Machine Learning, 深度學習Deep Learning，另外還有類神經網路，到底互相是什麼關係呢? 

[AI小學堂(一)]人工智慧AI vs 機器學習 vs 深度學習

學習

職場

投資理財

軟體開發

電腦科學新手村

雙重身份：越南放大鏡 X 下班資工系
政大東南亞語言學系是我接觸越南語的起點，畢業後找越南外派工作的生活跟資訊時，發現幾乎都是清單式的分享，很難身歷其境。所以我希望「越南放大鏡」可以帶讀者看到更多細節和深入的觀察。
-
下班資工系則是自學資工系的課程內容，記錄實際操作的過程，學習理論的過程。希望可以跟讀者一起成長。

神經

神經元

權重

模型

輸入

損失

基礎

數據

數字

音樂藝文

計算機

個人網誌啦~ 內容包含但不限於學習筆記、心情抒發、火星廢文...


親子與教育

<p class="draft-block draft--p left">謝謝您的分享❤️</p>

心繫正體中文的科學家，立志使用正體中文撰寫文章。 此沙龍預計涵蓋各項資訊科技知識分享與學習心得

f(x)

機器學習

維基百科

國際

早知道，神經科學

都說千金難買早知道，大腦是我們最重要也最複雜的器官，你了解多少呢?本專題將持續關注神經科學的大小事，期望透過分享這些新聞、故事，讓神經科學走入大眾，而這些科技其實離我們不遙遠。歡迎各位訂閱與贊助。

職場產業

技術PM的AI實驗室

技術PM的AI實驗室，是以輕鬆的角度深入簡出的探討各種生成式AI工具的使用。無論你是想理解AI到底是怎麼運作的? 想知道有那些好用的生成式AI工具? 或者是對AI繪圖有興趣的，都歡迎加入我們的AI實驗室一起輕鬆地玩耍，我們邊玩邊學，學習跟AI一起共創新的可能。

要怎麼用CNN來便是智能合約的漏洞呢?上回介紹了能認知文章脈絡的RNN，這是介紹結合word embedding的方法，加上強大的CNN分類器可以讓自然語言分類處理擦出怎麼樣的火花~

Web3

我們整理了web3相關的熱門資安問題，包含加密貨幣投資詐騙、盜版NFT、空投釣魚和區塊鏈重大資安事件懶人包等等，並提供最完整的辨識方法教學，讓大家從0到1學習如何保護自己

防詐達人的沙龍

查找智能合約的漏洞: 影像辨識的CNN如何用在合約上?

這篇文章從類神經網路的起源，也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習，但卻無法學習超過非線性，如  XOR 的資料分布。另外，本文還介紹了 Logistic regression，藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。


教育學習

觀點

翻滾吧！駭客女孩！

<p>專為年輕的女孩設計的科學／資訊科技寫作計畫，希望讓每位女孩在體脂肪、青春痘與暗戀對象之外，還能找到新的生活樂趣。</p>


Rene Wang的沙龍

[探索] 門外漢的類神經網路導覽

Princend的小房間

個人github

<ul class="lexical__ul"><li value="1" class="lexical__listItem"><span style="white-space: pre-wrap;">輸入層：接收數據，對應特徵值，是網絡的入口。</span></li><li value="2" class="lexical__listItem"><span style="white-space: pre-wrap;">隱藏層：學習數據的抽象特徵，引入非線性，處理複雜模式。 </span></li><li value="3" class="lexical__listItem"><span style="white-space: pre-wrap;">輸出層：產生結果，將特徵轉換為預測值(regression)或分類(classification)結果。</span></li></ul><p class="lexical__paragraph"><br></p><h3 class="lexical__h3" dir="ltr"><b><strong class="lexical__textBold" style="white-space: pre-wrap;">陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層的順序 都不會對輸出有影響&nbsp;</strong></b><span style="white-space: pre-wrap;">&nbsp;</span></h3><h3 class="lexical__h3"><br><br></h3><div class="lexical__image center"><div class="lexical__imageWrapper"><img src="https://images.vocus.cc/0a127849-2ee7-4263-baf3-b75d8cd11e28.gif" data-src="https://images.vocus.cc/0a127849-2ee7-4263-baf3-b75d8cd11e28.gif" data-loaded="true" data-original-src="https://images.vocus.cc/0a127849-2ee7-4263-baf3-b75d8cd11e28.gif" data-lowquality="false" data-width="600" data-height="337" data-retry="0" onerror="Number(this.dataset.retry) > 4 ? this.src='/static/default-error-img.svg': (() => {this.src=this.dataset.originalSrc; this.dataset.retry = Number(this.dataset.retry)+1;})()" alt="raw-image"></div><div></div></div><p class="lexical__paragraph"><br></p>

我在獨立評論的精華外派文

閱讀書評

What are the neurons, why are there layers, and what is the math underlying it?
Help fund future projects: https://www.patreon.com/3blue1brown
Written/interactive form of this series: https://www.3blue1brown.com/topics/neural-networks

Additional funding for this project provided by Amplify Partners

Typo correction: At 14 minutes 45 seconds, the last index on the bias vector is n, when it's supposed to in fact be a k.  Thanks for the sharp eyes that caught that!

For those who want to learn more, I highly recommend the book by Michael Nielsen introducing neural networks and deep learning: https://goo.gl/Zmczdy

There are two neat things about this book.  First, it's available for free, so consider joining me in making a donation Nielsen's way if you get something out of it.  And second, it's centered around walking through some code and data which you can download yourself, and which covers the same example that I introduce in this video.  Yay for active learning!
https://github.com/mnielsen/neural-networks-and-deep-learning

I also highly recommend Chris Olah's blog: http://colah.github.io/

For more videos, Welch Labs also has some great series on machine learning: 
https://youtu.be/i8D90DkCLhI
https://youtu.be/bxe2T-V8XRs

For those of you looking to go *even* deeper, check out the text "Deep Learning" by Goodfellow, Bengio, and Courville.  

Also, the publication Distill is just utterly beautiful: https://distill.pub/

Lion photo by Kevin Pluck

-----------------
Timeline: 
0:00 - Introduction example
1:07 - Series preview
2:42 - What are neurons?
3:35 - Introducing layers
5:31 - Why layers?
8:38 - Edge detection example
11:34 - Counting weights and biases
12:30 - How learning relates
13:26 - Notation and linear algebra
15:17 - Recap
16:27 - Some final words
17:03 - ReLU vs Sigmoid

Correction 14:45 - The final index on the bias vector should be "k"

------------------
Animations largely made using manim, a scrappy open source python library.  https://github.com/3b1b/manim

If you want to check it out, I feel compelled to warn you that it's not the most well-documented tool, and has many other quirks you might expect in a library someone wrote with only their own use in mind.

Music by Vincent Rubinetti.
Download the music on Bandcamp:
https://vincerubinetti.bandcamp.com/album/the-music-of-3blue1brown

Stream the music on Spotify:
https://open.spotify.com/album/1dVyjwS8FBqXhRunaG5W5u

If you want to contribute translated subtitles or to help review those that have already been made by others and need approval, you can click the gear icon in the video and go to subtitles/cc, then "add subtitles/cc".  I really appreciate those who do this, as it helps make the lessons accessible to more people.
------------------

3blue1brown is a channel about animating math, in all senses of the word animate.  And you know the drill with YouTube, if you want to stay posted on new videos, subscribe, and click the bell to receive notifications (if you're into that).

If you are new to this channel and want to see more, a good place to start is this playlist: http://3b1b.co/recommended

Various social media stuffs:
Website: https://www.3blue1brown.com
Twitter: https://twitter.com/3Blue1Brown
Patreon: https://patreon.com/3blue1brown
Facebook: https://www.facebook.com/3blue1brown
Reddit: https://www.reddit.com/r/3Blue1Brown

陳縕儂老師說過 中間的隱藏層通常不會是線性的 如果全部都是線性 那任意交換隱藏層的順序 都不會對輸出有影響

陳縕儂老師說過中間的隱藏層通常不會是線性的如果全部都是線性那任意交換隱藏層的順序都不會對輸出有影響