iPAS AI 初級・漫畫式小白教材

RNN vs CNN

循環神經網路 vs 卷積神經網路｜「RNN 看時間，CNN 抓局部特徵！」

🎬 第一幕：兩位 AI 偵探的工作方式

🔵 RNN

⏰➡️⏰➡️⏰

「先看昨天，再看今天，記住前面的資訊！」

特別適合序列與時間依賴。

例如：氣溫、股價、語音、文字。

🟠 CNN

🔍🖼️

「我用小視窗掃過去，找局部特徵！」

特別擅長空間結構與局部模式。

例如：圖片中的邊緣、紋理、形狀。

🎯 一句話

🕐 VS 🖼️

RNN：時間／順序

CNN：空間／局部特徵

🧠 一句話先背起來

RNN＝「前面的資訊會影響後面」
CNN＝「附近的特徵組合很重要」

🔵 RNN

有「記憶」的序列模型。

每一步會把目前輸入與前一步的 hidden state 結合，再把資訊傳到下一步。

Sequence時間序列Hidden State

🟠 CNN

用卷積核掃描局部區域。

透過共享權重的 filters 擷取局部特徵，再逐層組合成更高階的特徵。

ConvolutionFilter局部特徵

🎭 第二幕：RNN 像「會記筆記的人」

第 1 天

🌡️ 25°

RNN 看到今天氣溫：

「25°C，我記住了。」

第 2 天

🌡️➡️🧠

看到新資料：

「昨天 25°C，今天 27°C。」

前面的 hidden state 會影響現在的判斷。

第 3 天

🧠➡️🎯

持續往前：

過去資訊 → 現在 → 預測未來

這就是序列建模的概念。

🔍 第三幕：CNN 像「拿放大鏡掃圖片」

🖼️ 整張圖片

🐱🖼️

CNN 不一定一次看完整張圖。

🔎 Filter

🔍➡️

小小的卷積核在圖片上滑動。

「這裡有邊緣！」

「那裡有紋理！」

🧩 組合特徵

🧩➡️🐱

低階特徵逐層組合：

邊緣 → 形狀 → 物件

最後辨認出貓。

🔄 第四幕：RNN 到底怎麼跑？

📥

① xₜ
目前輸入

🧠

② hₜ₋₁
前一步記憶

🔄

③ RNN Cell
融合資訊

🧠

④ hₜ
更新記憶

🎯

⑤ Output
產生輸出

hₜ = f(xₜ, hₜ₋₁)

不用背公式，但要知道：RNN 的核心就是「目前輸入＋前一步 hidden state」一起決定現在的狀態。

⚠️ 第五幕：RNN 最大的考試陷阱——梯度消失

短序列

🟢➡️🟢➡️🟢

資訊只經過幾步：

過去資訊還傳得過來。

長序列

🟢➡️🟡➡️🟠➡️🔴➡️❓

反向傳播時，梯度可能一路變小。

「我快學不到很久以前的資訊了……」

🚨 Gradient Vanishing

📉

長期依賴資訊可能難以有效學習。

這就是經典 RNN 的重要限制之一。

💡 LSTM、GRU 等架構就是為了改善傳統 RNN 在長期依賴上的問題而提出的常見解法。

🥊 第六幕：RNN vs CNN 一次搞懂

比較	🔵 RNN	🟠 CNN
主要關注	時間、順序、序列依賴	局部空間特徵、局部模式
核心機制	Hidden State 循環傳遞	Filter／Kernel 卷積掃描
常見資料	時間序列、文字、語音	影像、空間資料；也可處理其他有局部模式的序列資料
代表問題	「前面的資訊會不會影響後面？」	「附近這一小塊有什麼特徵？」
經典挑戰	長序列可能有梯度消失／爆炸	需要設計合適的 kernel、stride、padding 等
漫畫	🧠「我記得前面發生什麼」	🔍「我掃描附近有什麼」

🎯 第七幕：RNN 不只能做分類！

🌡️ 時間序列預測

輸入：

昨天 → 今天 → 明天

可以用於氣候、能源、需求等時間序列預測。

📝 文字／語音

輸入是一連串有順序的資料：

我 → 喜歡 → AI

RNN 可以建模前後順序與上下文依賴。

🎯 所以看到「RNN 只能做分類」要立刻警覺：錯！RNN 可以用於序列預測、生成、分類等多種任務。

🎯 第八幕：你的四個選項逐一拆解

❌ A.「RNN 無法處理可變長度序列」——錯。RNN 本身就是為序列資料設計，能處理不同長度的序列。

✅ B. 正確答案
「RNN 在長序列訓練中可能出現梯度消失」——這是傳統 RNN 的經典問題，會讓模型難以學習很久以前的重要資訊。

❌ C.「RNN 無法捕捉時間依賴」——剛好相反！RNN 的設計目的之一就是利用 hidden state 建模序列中的依賴關係。

❌ D.「RNN 只能分類」——錯。RNN 可以應用在時間序列預測、文字生成、序列到序列等任務。

🧠 iPAS 考前超強口訣

RNN＝「記住前面」🧠
CNN＝「掃描附近」🔍

看到「時間序列、前後順序、歷史資料」→ RNN

看到「圖片、局部特徵、Filter、Kernel」→ CNN

⭐ 看到「長序列＋梯度消失」→ 傳統 RNN 的經典考點。

🎯 最後來做你提供的例題

題目：某團隊想採用 RNN 建構長期氣候數據的預測模型，以下哪一項敘述最符合使用 RNN 可能會遇到的挑戰？

A. RNN 無法處理可變長度的序列輸入
B. RNN 在長序列訓練中可能出現梯度消失，影響模型效果
C. RNN 無法捕捉時間上的依賴關係
D. RNN 只能用於分類任務

🎯 正確答案：B ✅

題目問的是「RNN 的挑戰」。

RNN 本來就是用來處理序列與時間依賴的，所以 C、D 都違反 RNN 的基本能力。A 也錯，RNN 可以處理不同長度的序列。

真正的經典問題是：序列越長，反向傳播時梯度可能逐步變小 → 梯度消失 → 模型難以學到長期依賴。

⭐ 「RNN 很會記時間，但記太久可能記不住。」

📌 考前最後一張小抄

題目關鍵字	立刻想到
時間序列	🔵 RNN
前後順序／歷史資訊	🔵 RNN
Hidden State	🔵 RNN
長序列＋梯度消失	🚨 傳統 RNN
圖片／空間結構	🟠 CNN
Filter／Kernel／卷積	🟠 CNN
局部特徵	🟠 CNN
LSTM／GRU	🔵 改善 RNN 長期依賴問題的常見架構

⭐ 最終口訣：
「RNN 看時間、CNN 看局部；RNN 記太久，可能梯度消失。」