循環神經網路 是什麼？

Recurrent Neural Network — 循環神經網路 的完整解釋

循環神經網路是一種具備「記憶」功能的神經網路，其能處理序列資料，並將前一步的輸出回饋至下一步

容易混淆

RNN vs 前饋神經網路 前饋神經網路每次只看當下輸入。 RNN 會把前一步的狀態帶到下一步。 最關鍵的區別：一個看單點，一個看順序。

RNN vs LSTM RNN 結構比較簡單。 LSTM 加了閘門，能更好保存長期資訊。 最關鍵的區別：一個簡單，一個更會記。

RNN vs 注意力機制 RNN 主要靠序列逐步傳遞資訊。 注意力機制會直接看哪些位置比較重要。 最關鍵的區別：一個一路傳，一個直接挑重點。

記住這句就好

看到前面，才能更懂後面。

實際案例

語句理解 你讀到「今天下雨，所以我帶了傘」，後半句會受前半句影響。 RNN 的設計就是為了讓模型保留這種上下文。

時間序列 股票價格、感測器數據和用電量都有前後關係。 RNN 可以把前一個時間點的資訊帶進下一個時間點。

算法與應用

RNN 會把前一時刻的隱藏狀態傳到下一時刻，形成循環結構。 這種設計讓它能處理序列，但也容易遇到梯度消失或梯度爆炸。 為了改善這些問題，後來常用 LSTM、GRU 或注意力機制來取代。

情境判斷

Q1（直覺題）： 你要讓模型讀一整句話，知道前文會影響後文，該考慮什麼？

→ RNN，因為它天生就是為了處理順序資料。

Q2（判斷題）： 如果序列很長，RNN 一定是最好的選擇嗎？

→ 不一定，長序列常會讓梯度傳遞變難，這時 LSTM、GRU 或注意力機制可能更合適。

循環神經網路 在 iPAS 考試中的重點

根據歷年統計，循環神經網路 相關題目 平均佔 AI 技術類考題 3%， 屬於未分類考範圍。

常見出題方向：循環神經網路的演算法原理與架構（40%）、序列資料處理的數學模型（35%）、RNN 的應用與限制分析（25%）。

常見問題

RNN 只適合文字嗎？

不只，任何有順序的資料都可能用到，例如語音、感測器和時間序列。

RNN 一定比前饋網路好嗎？

不一定，要看資料有沒有順序關係，沒有順序就不需要循環結構。

為什麼現在比較少直接用純 RNN？

因為長序列訓練不穩，實務上常改用 LSTM、GRU 或注意力機制。