全球主要的深度學習有哪幾種？
現代深度學習的架構極為豐富，但若從處理資料的型態與任務目標來分類，全球最核心、最 mainstream 的深度學習模型主要可以分為以下六大主流類別：
1. 卷積神經網路（CNN, Convolutional Neural Networks）
核心特性：專門為空間與圖像資料設計。利用「卷積核（Filter）」在圖片上記滑動提取局部特徵（如邊緣、紋理、圖案），具備高度的平移不變性（Translation Invariance）。
擅長資料：影像、影片、醫療 CT / MRI 影像。
經典應用：人臉識別、自動駕駛物件偵測、車牌識別、醫療影像分割。
代表模型：ResNet、YOLO、EfficientNet。
2. Transformer 架構（當代 AI 的絕對基石）
核心特性：利用自注意力機制（Self-Attention），能夠同時捕捉資料中任意距離之間的關聯性，並且支援大規模的「平行化運算（Parallel Processing）」，徹底解決了傳統 sequential 模型的效能瓶頸。
擅長資料：文本、程式碼、多模態（文字+圖片+語音）、甚至蛋白結構。
經典應用：大型語言模型（LLM）、機器翻譯、ChatGPT/Claude 背後的神經網絡、Vision Transformer (ViT) 影像分析。
代表模型：GPT 系列、BERT、Llama、Claude、Gemini。
3. 循環神經網路與變體（RNN / LSTM / GRU）
核心特性：專門處理時間序列與前後關聯資料。網路內部帶有隱藏狀態（Hidden State），像大腦一樣擁有「短期記憶」，能根據過去的輸入來影響當下的輸出。
擅長資料：時間序列數據、語音、文字。
經典應用：股票價格預測、感測器數據分析、早期語音辨識與機器翻譯（現大多已被 Transformer 取代，但在低算力或即時流式資料處理中仍有應用）。
代表模型：LSTM（長短期記憶網路）、GRU（閘門循環單元）。
4. 生成式模型（Generative Models）
核心特性：目標不是「分類」或「預測」，而是**「創造新資料」**。學習真實資料的分佈後，生成極度真實的文字、圖片、音樂或影片。
三大主流技術：
擴散模型（Diffusion Models）：目前 AI 繪圖與影片生成的主流（如 Stable Diffusion, Midjourney, Sora）。
生成對抗網絡（GANs）：由生成器與判別器相互博弈演化（如 StyleGAN、DeepFake）。
變分自編碼器（VAE）：常用於特徵降維與圖像重構。
5. 圖神經網路（GNN, Graph Neural Networks）
核心特性：傳統神經網路處理網格狀（Grid）資料（如圖片），而 GNN 專門處理非歐幾里得空間的「圖形結構（Graph Data）」（即點與線構成的網絡關係）。
擅長資料：社群網路關係圖、分子結構、金融交易鏈結、知識圖譜。
經典應用：蛋白質結構預測（如 AlphaFold）、社群平台好友/內容推薦、反洗錢與欺詐偵測、新藥開發。
6. 多層感知機與前饋神經網路（MLP / FNN）
核心特性：深度學習中最基礎的「全連接網絡（Fully Connected Network）」。資料單向從輸入層 pass 到輸出層，沒有循環也無卷積。
擅長資料：傳統結構化表格資料（Tabular Data）。
經典應用：用戶流失預測、信用評分、簡單分類與回歸任務。
快速選型對照表
現代深度學習的架構極為豐富，但若從處理資料的型態與任務目標來分類，全球最核心、最 mainstream 的深度學習模型主要可以分為以下六大主流類別：
1. 卷積神經網路（CNN, Convolutional Neural Networks）
核心特性：專門為空間與圖像資料設計。利用「卷積核（Filter）」在圖片上記滑動提取局部特徵（如邊緣、紋理、圖案），具備高度的平移不變性（Translation Invariance）。
擅長資料：影像、影片、醫療 CT / MRI 影像。
經典應用：人臉識別、自動駕駛物件偵測、車牌識別、醫療影像分割。
代表模型：ResNet、YOLO、EfficientNet。
2. Transformer 架構（當代 AI 的絕對基石）
核心特性：利用自注意力機制（Self-Attention），能夠同時捕捉資料中任意距離之間的關聯性，並且支援大規模的「平行化運算（Parallel Processing）」，徹底解決了傳統 sequential 模型的效能瓶頸。
擅長資料：文本、程式碼、多模態（文字+圖片+語音）、甚至蛋白結構。
經典應用：大型語言模型（LLM）、機器翻譯、ChatGPT/Claude 背後的神經網絡、Vision Transformer (ViT) 影像分析。
代表模型：GPT 系列、BERT、Llama、Claude、Gemini。
3. 循環神經網路與變體（RNN / LSTM / GRU）
核心特性：專門處理時間序列與前後關聯資料。網路內部帶有隱藏狀態（Hidden State），像大腦一樣擁有「短期記憶」，能根據過去的輸入來影響當下的輸出。
擅長資料：時間序列數據、語音、文字。
經典應用：股票價格預測、感測器數據分析、早期語音辨識與機器翻譯（現大多已被 Transformer 取代，但在低算力或即時流式資料處理中仍有應用）。
代表模型：LSTM（長短期記憶網路）、GRU（閘門循環單元）。
4. 生成式模型（Generative Models）
核心特性：目標不是「分類」或「預測」，而是**「創造新資料」**。學習真實資料的分佈後，生成極度真實的文字、圖片、音樂或影片。
三大主流技術：
擴散模型（Diffusion Models）：目前 AI 繪圖與影片生成的主流（如 Stable Diffusion, Midjourney, Sora）。
生成對抗網絡（GANs）：由生成器與判別器相互博弈演化（如 StyleGAN、DeepFake）。
變分自編碼器（VAE）：常用於特徵降維與圖像重構。
5. 圖神經網路（GNN, Graph Neural Networks）
核心特性：傳統神經網路處理網格狀（Grid）資料（如圖片），而 GNN 專門處理非歐幾里得空間的「圖形結構（Graph Data）」（即點與線構成的網絡關係）。
擅長資料：社群網路關係圖、分子結構、金融交易鏈結、知識圖譜。
經典應用：蛋白質結構預測（如 AlphaFold）、社群平台好友/內容推薦、反洗錢與欺詐偵測、新藥開發。
6. 多層感知機與前饋神經網路（MLP / FNN）
核心特性：深度學習中最基礎的「全連接網絡（Fully Connected Network）」。資料單向從輸入層 pass 到輸出層，沒有循環也無卷積。
擅長資料：傳統結構化表格資料（Tabular Data）。
經典應用：用戶流失預測、信用評分、簡單分類與回歸任務。
快速選型對照表
全球主要的深度學習有哪幾種？
現代深度學習的架構極為豐富，但若從處理資料的型態與任務目標來分類，全球最核心、最 mainstream 的深度學習模型主要可以分為以下六大主流類別：
1. 卷積神經網路（CNN, Convolutional Neural Networks）
核心特性：專門為空間與圖像資料設計。利用「卷積核（Filter）」在圖片上記滑動提取局部特徵（如邊緣、紋理、圖案），具備高度的平移不變性（Translation Invariance）。
擅長資料：影像、影片、醫療 CT / MRI 影像。
經典應用：人臉識別、自動駕駛物件偵測、車牌識別、醫療影像分割。
代表模型：ResNet、YOLO、EfficientNet。
2. Transformer 架構（當代 AI 的絕對基石）
核心特性：利用自注意力機制（Self-Attention），能夠同時捕捉資料中任意距離之間的關聯性，並且支援大規模的「平行化運算（Parallel Processing）」，徹底解決了傳統 sequential 模型的效能瓶頸。
擅長資料：文本、程式碼、多模態（文字+圖片+語音）、甚至蛋白結構。
經典應用：大型語言模型（LLM）、機器翻譯、ChatGPT/Claude 背後的神經網絡、Vision Transformer (ViT) 影像分析。
代表模型：GPT 系列、BERT、Llama、Claude、Gemini。
3. 循環神經網路與變體（RNN / LSTM / GRU）
核心特性：專門處理時間序列與前後關聯資料。網路內部帶有隱藏狀態（Hidden State），像大腦一樣擁有「短期記憶」，能根據過去的輸入來影響當下的輸出。
擅長資料：時間序列數據、語音、文字。
經典應用：股票價格預測、感測器數據分析、早期語音辨識與機器翻譯（現大多已被 Transformer 取代，但在低算力或即時流式資料處理中仍有應用）。
代表模型：LSTM（長短期記憶網路）、GRU（閘門循環單元）。
4. 生成式模型（Generative Models）
核心特性：目標不是「分類」或「預測」，而是**「創造新資料」**。學習真實資料的分佈後，生成極度真實的文字、圖片、音樂或影片。
三大主流技術：
擴散模型（Diffusion Models）：目前 AI 繪圖與影片生成的主流（如 Stable Diffusion, Midjourney, Sora）。
生成對抗網絡（GANs）：由生成器與判別器相互博弈演化（如 StyleGAN、DeepFake）。
變分自編碼器（VAE）：常用於特徵降維與圖像重構。
5. 圖神經網路（GNN, Graph Neural Networks）
核心特性：傳統神經網路處理網格狀（Grid）資料（如圖片），而 GNN 專門處理非歐幾里得空間的「圖形結構（Graph Data）」（即點與線構成的網絡關係）。
擅長資料：社群網路關係圖、分子結構、金融交易鏈結、知識圖譜。
經典應用：蛋白質結構預測（如 AlphaFold）、社群平台好友/內容推薦、反洗錢與欺詐偵測、新藥開發。
6. 多層感知機與前饋神經網路（MLP / FNN）
核心特性：深度學習中最基礎的「全連接網絡（Fully Connected Network）」。資料單向從輸入層 pass 到輸出層，沒有循環也無卷積。
擅長資料：傳統結構化表格資料（Tabular Data）。
經典應用：用戶流失預測、信用評分、簡單分類與回歸任務。
快速選型對照表
1
1
