4.關於深度學習模型，下列敘述何者不正確？
(A)卷積神經網路(ConvolutionalNeuralNetworks)適合影像辨識
(B)ReLU(RectifiedLinearUnit)比tanh和Sigmoid好，因為ReLU可以減緩梯度爆炸與消失
(C)遞迴神經網路(RecurrentNeuralNetworks)適合處理序列相關資料
(D)Elman神經網路(ElmanNeuralNetworks)適合處理影像辨識

答案：登入後查看
統計： A(21), B(45), C(14), D(131), E(0) #3416820

m9240213

B2 · 2025/04/08

#6363639

選項 (D) Elman神經網路(ElmanNeuralNetworks)適合處理影像辨識，敘述不正確。

解釋：

(A) 卷積神經網路 (Convolutional Neural Networks, CNN) 適合影像辨識：
- CNN 專為處理影像資料而設計，透過卷積層、池化層等結構，能夠有效提取影像特徵，因此非常適合影像辨識任務。
(B) ReLU (Rectified Linear Unit) 比 tanh 和 Sigmoid 好，因為 ReLU 可以減緩梯度爆炸與消失：
- ReLU 是一種常用的激活函數，相較於 tanh 和 Sigmoid，它在正值區間內的線性特性有助於緩解梯度消失問題，並且在某些情況下也能減緩梯度爆炸。
(C) 遞迴神經網路 (Recurrent Neural Networks, RNN) 適合處理序列相關資料：
- RNN 的循環結構使其能夠處理序列資料，例如文本、語音等，因此適合處理序列相關的資料。
(D) Elman神經網路 (Elman Neural Networks) 適合處理影像辨識：
- Elman 神經網路是一種循環神經網路，主要用於處理序列資料，例如時間序列預測、語言建模等，並不適合影像辨識。影像辨識，比較適合用卷積神經網路(CNN)。