神經網路基礎
深度學習（Deep Learning）是機器學習的一個分支，它使用一種叫「人工神經網路」的架構，靈感來自於人類大腦的神經元。
🧠 什麼是人工神經網路？
我們的大腦由數十億個神經元（Neuron）組成，它們互相連接，傳遞電訊號。人工神經網路模仿了這個結構：
💡 神經網路的三層結構 輸入層：接收原始數據（像是你的眼睛接收光線） 隱藏層：處理和提取特徵（像大腦的思考過程） 輸出層：產生結果（像大腦做出的判斷）
「深度」學習的「深」，指的就是隱藏層很多層（有時多達數百層）。
⚡ 神經元怎麼運作？
每個人工神經元做的事情很簡單：
- 接收多個輸入信號
- 給每個信號一個「權重」（重要性）
- 把加權後的信號加總
- 通過一個「激活函數」決定是否要傳遞信號
🍕 比喻：決定午餐吃什麼 想像你在決定中午要不要吃披薩：
- 「有多餓」→ 權重高（很重要）
- 「離多遠」→ 權重中
- 「價格如何」→ 權重低 這些因素加權後，超過某個門檻就會「激活」→ 決定去吃！ 神經元就是用類似的邏輯在做數學運算。
📈 為什麼深度學習這麼強？
傳統機器學習需要人類手動設計特徵（還記得機器學習的特徵工程嗎？）。但深度學習可以自動學習特徵——第一層可能學到線條和邊緣，第二層學到形狀，更深的層學到複雜的概念。層數越多，能捕捉的抽象概念越複雜。
「深度」學習的「深」指的是什麼？
CNN — 讓 AI 看懂圖片
卷積神經網路（CNN, Convolutional Neural Network）是讓 AI 能「看見」和理解圖片的關鍵技術。
🖼️ 電腦怎麼「看」圖片？
對電腦來說，一張圖片就是一堆數字陣列——每個像素都有自己的數值（RGB 色彩值）。CNN 的任務就是從這些數字中找出有意義的模式。
💡 CNN 的核心：卷積 卷積就像用一個小小的「放大鏡」在圖片上滑動，每次只看一小塊區域，偵測特定的模式（比如邊線、角落、紋理）。多層卷積堆疊後，AI 就能從「線條」→「形狀」→「部件」→「物體」逐步認出整張圖的內容。
🔎 CNN 學到了什麼？
- 第 1 層：邊緣、線條、色彩漸變
- 第 2-3 層：角落、紋理、簡單形狀
- 第 4-5 層：部件（輪子、眼睛、嘴巴）
- 更深層：完整物體（車子、人臉、狗）
📱 CNN 的應用
- 手機臉部辨識解鎖
- 自動駕駛（辨識交通號誌、行人）
- 醫學影像分析（X 光、CT 掃描）
- IG/FB 的照片自動標記
- Google 以圖搜圖
CNN 中「卷積」操作的作用是？
RNN — 讓 AI 理解序列
如果說 CNN 讓 AI 看懂圖片，那 RNN（Recurrent Neural Network, 循環神經網路）就是讓 AI 看懂有順序的東西。
📝 為什麼需要 RNN？
很多數據是有「順序」的：
- 文字：每個字的意義取決於前後文
- 語音：聲音訊號隨時間變化
- 股票：今天的價格跟昨天有關
- 天氣：明天的天氣跟今天有關
普通的神經網路把每筆輸入當成獨立的，但 RNN 有「記憶」能力，能記住之前看過的東西。
💡 比喻：看小說 普通神經網路看文字就像隨機翻開小說的每一頁，每頁都獨立理解。RNN 就像從第一頁開始讀，記住前面的劇情，所以讀到「他」的時候知道指的是誰。
🔄 RNN 的運作方式
RNN 在處理序列時，每一步都會：
- 接收當前的輸入
- 結合上一步的「記憶」（隱藏狀態）
- 產生輸出，同時更新記憶傳給下一步
🧩 LSTM — 記憶力升級
基本版 RNN 的記憶力其實很差——序列太長就會「忘記」前面的。所以後來出現了 LSTM（Long Short-Term Memory），加入了「遺忘門」和「記憶門」，讓 AI 決定什麼該記、什麼該忘。
🎵 應用實例 Apple 的語音辨識（Siri）、音樂自動生成、機器翻譯（較早期版本）、股票走勢預測——都曾仰賴 RNN/LSTM 技術。不過…下一節你會看到一個更強大的替代者！
RNN 和普通神經網路最大的差異是什麼？
Transformer — 改變一切的架構
如果要選一個改變 AI 歷史的技術，那就是 Transformer。ChatGPT、Claude、BERT、GPT-5、Gemini……目前幾乎所有最厲害的 AI 都建立在它之上。
📜 Attention Is All You Need
2017 年，Google 團隊發表了一篇名為「Attention Is All You Need」的論文，提出了 Transformer 架構。這篇論文徹底改變了自然語言處理（NLP）的發展方向。
💡 核心機制：注意力（Attention） Transformer 的核心是注意力機制。它讓模型在處理每個字的時候，能「看到」整個句子的所有字，並決定要對哪些字「多加注意」。
例如：在「那隻狗追著牠的尾巴跑」中，Transformer 能理解「牠」指的是「狗」，因為注意力機制讓「牠」跟「狗」之間建立了強連結。
🆚 Transformer vs RNN
- RNN：一個字一個字地處理（像排隊），速度慢，長距離記憶差
- Transformer：一次看全部（像拍團體照），可以平行處理，速度快很多
🌍 Transformer 的家族
- GPT 系列（OpenAI）：單向生成，擅長「接下來說什麼」→ ChatGPT
- BERT（Google）：雙向理解，擅長「這段話什麼意思」→ Google 搜尋
- T5、PaLM、Gemini（Google）：結合兩者優勢
- Claude（Anthropic）：強調安全和有用性 → Claude vs Gemini 比較
- LLaMA（Meta）：開源大語言模型
⚠️ 重要觀念 GPT 裡的 T 就是 Transformer！Generative Pre-trained Transformer —「基於 Transformer 架構的預訓練生成模型」。所以每次你用 ChatGPT，背後都是 Transformer 在工作。
Transformer 的核心機制叫什麼？
遷移學習與預訓練
訓練一個強大的深度學習模型需要海量的數據和算力。那如果每次要解決新問題都從頭訓練，成本也太高了吧？這就是「遷移學習」要解決的問題。
🏗️ 什麼是遷移學習？
遷移學習（Transfer Learning）就是把一個已經訓練好的模型的「知識」，轉移到新的任務上。
💡 比喻 你已經會騎腳踏車了，現在要學騎機車。你不需要從「什麼是輪子」開始學——平衡感、方向控制這些技能可以直接遷移過來。你只需要學習新的部分（油門、離合器）就好。
遷移學習的模型也是這樣：一個在大量數據上「預訓練」好的模型已經學會了很多基礎知識，我們只需要在自己的數據上做少量「微調」即可。
📋 預訓練 + 微調的流程
- 預訓練（Pre-training）：用超大量的通用數據訓練一個基礎模型（這步驟通常由大公司完成，成本數百萬美元）
- 微調（Fine-tuning）：用你自己的少量特定數據，在預訓練模型上做調整（這步驟成本低很多）
🏥 實例 一個在數百萬張圖片上預訓練的 CNN 模型（如 ImageNet），已經學會辨識各種物體。醫院只需要用幾千張 X 光片對它做微調，就能做出一個很準確的肺炎偵測 AI——不需要從零開始。
🤖 大型語言模型也是遷移學習！
ChatGPT 的 GPT 系列就是遷移學習的經典案例：
- 預訓練：讀完整個網際網路的文字（數兆個字），學會「語言」這件事
- 微調：用人類回饋（RLHF）教它怎麼好好回答問題
正是「預訓練 + 微調」的模式，讓現代 AI 變得如此強大又容易客製化。
遷移學習的主要好處是什麼？