輸入
含有「輸入」共 530 篇內容
全部內容
發佈日期由新至舊
在科技飛速發展的時代，人類與AI的界線越來越模糊。
我們常常問：AI是否會取代人類？但更深刻的問題是，人類與AI的本質差別何在？
從我的體悟來看，人類本質上其實是五感的綜合，記憶類似經驗流的組合，靈魂很可能也不是真實的存在。
相對地，AI不也是硬體算力與程式的組合，無一個「我」的核心主體？
本文深入探討使用ChatGPT時令人沮喪的『轉場』問題，分析其背後原因：AI模型的Token限制。透過實際案例與說明，解釋為何ChatGPT會遺忘之前的對話內容，並提供有效應對策略，例如定期轉場、重要內容備份、使用召喚語等，協助使用者提升ChatGPT使用體驗。
激活函數是神經網路能學習非線性特徵的關鍵，沒有它，無論堆疊多少層都只是線性模型。常見激活函數如 ReLU、Sigmoid、Tanh、Leaky ReLU、Softmax 各有用途，其中 ReLU 最常用，具高效與快速收斂優點。選擇合適的激活函數能讓模型具備更強的表達力與判斷力，是深度學習的核心之一。
隱藏層讓神經網路能學習資料中的抽象特徵與非線性關係。若只有輸入與輸出層，模型僅能學習簡單的線性對應，難以處理複雜問題。加入隱藏層後，模型能逐層提取更深層的模式與結構，是深度學習成功的關鍵。隱藏層越多，模型表達力越強，但也需注意過擬合風險。
多層感知器（MLP）是最基本的前饋神經網路，由輸入層、隱藏層與輸出層組成，並透過多層全連接層逐步提取特徵。每層節點與前一層所有節點相連，常搭配非線性激活函數如 ReLU，使模型具備學習複雜關係的能力。MLP 是深度學習的基礎結構之一，廣泛應用於分類與回歸任務中。
Adversarial Attacks（對抗性攻擊）是在機器學習和人工智慧領域中，攻擊者透過對輸入數據進行微小且精心設計的擾動，使得模型產生錯誤判斷或錯誤預測的一種攻擊方式。這些擾動對人類來說幾乎不可察覺，但卻足以誤導模型。
Adversarial Attacks的定義與原理：
• 攻擊者給模
本文章教學如何利用 ChatGPT 打造個人 AI 助理，透過設計工作流程指令，將繁瑣任務自動化。內容涵蓋流程型提示語的定義、工作流程轉換成 GPT 指令的步驟、高頻任務範例及語法模板、建立流程指令庫的 Notion 表格建議，以及進階技巧：使用 GPTs 打造一鍵工作流程機器人。
Activation Function（激活函數）是神經網絡中的一個數學函數，其作用是將神經元的輸入信號轉換成輸出信號。激活函數決定了神經元是否「激活」並將訊號傳遞給下一層。
主要用途
引入非線性：激活函數將線性組合的輸入轉換為非線性輸出，使得神經網絡可以學習複雜的資料模式與非線性關係。 控制訊