---
title: "神經網路（Neural Network）"
slug: neural-network
language: zh-TW
source: https://aiterms.tw/terms/neural-network
updated_at: 2026-04-29
tags: [深度學習, 神經元, 激活函數, iPAS中級]
ipas_term: true
---

# 神經網路（Neural Network）

> **你有沒有想過，AI 為什麼能從很多範例裡學會判斷？**
> 你可以把它想成一層一層的小判斷器，先看簡單特徵，再把它們組合成更高層的意思。
> 神經網路是很多深度學習模型的基本骨架，靠權重、非線性和層級表示學複雜關係。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
>
### 容易混淆

> **神經網路 vs 線性模型**
> 神經網路：能學非線性關係
> 線性模型：主要處理線性可分問題
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
> **神經網路 vs 決策樹**
> 神經網路：以層與權重做表示學習
> 決策樹：以規則分裂做判斷
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
### 記住這句就好

> 一層層抽特徵，最後拼成答案。
>
### 實際案例

> **影像辨識**
> 底層先看邊緣，中層看局部形狀，高層才知道像不像貓。
>
> **文字分類**
> 模型先看詞與詞的關係，再判斷這段話的主題或情緒。
>
### 算法與應用

> 神經網路由輸入層、隱藏層、和輸出層組成。
> 每一層都會做加權和與非線性轉換，讓模型能逼近複雜函數。
> 它的威力來自深層表示，但也因此更需要資料、算力、和良好的訓練方法。
>
### 情境判斷

> **Q1（直覺題）：你要做一個能看圖分類的模型，最常想到的核心元件是什麼？**
> → 神經網路，因為它能學多層特徵表示。
>
> **Q2（判斷題）：如果資料本身很少，神經網路一定會贏過簡單模型嗎？**
> → 不一定，資料少時簡單模型常更穩。
>
### iPAS 考題

> **Q：神經網路的基本作用是什麼？**
> → 透過多層節點與權重計算，學習輸入和輸出之間的非線性關係。
>
> **Q：為什麼神經網路比單層線性模型更有表達力？**
> → 因為它可以疊加非線性轉換，表示更複雜的函數。
>
### 常見問題

> **Q：神經網路就是深度學習嗎？**
> 不是，深度學習通常指更深、更大的一類神經網路。
>
> **Q：它一定要很多層嗎？**
> 不一定，層數少也可以是神經網路，只是表達力較有限。
>
> **Q：它為什麼需要訓練？**
> 因為權重不是手工規則，要靠資料學出來。
>
### 相關術語

> - **深度學習**：神經網路是它最核心的底座。
> - **線性迴歸法**：先對比簡單模型，理解神經網路的增量。
> - **決策樹**：常被拿來跟神經網路比較。
> - **損失函數**：訓練神經網路時一定會用。
> - **神經架構搜尋**：如果想自動找更好的網路骨架，這個概念就接上了。

---

來源：https://aiterms.tw/terms/neural-network
快查頁：https://aiterms.tw/terms/neural-network
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-neural-network