🔑 名詞卡

RNN（Recurrent Neural Networks，循環神經網路）

🎯 定義

專為處理序列數據而設計的深度學習模型，其關鍵特性是網路中存在循環連接，使得模型可以記憶序列中之前的資訊。

工作原理

RNN 的每個節點不僅接收當前的輸入，還會記住前一時刻的狀態，這使得 RNN 能夠捕捉數據的時間依賴關係。網路的輸出取決於當前輸入和前面的上下文，適合處理語音、文本等具有時間序列特性的數據。

優點	缺點
能有效捕捉序列數據中的長期依賴關係；支持變長序列處理	訓練過程容易出現梯度消失或梯度爆炸問題；處理長序列數據時計算效率較低

版本	說明
LSTM（Long Short-Term Memory）	引入遺忘門、輸入門、輸出門，有效解決梯度消失問題
GRU（Gated Recurrent Unit）	結構比 LSTM 更簡單，但在大多數應用中效果相近

自然語言處理（機器翻譯、文本生成）、語音辨識（語音助理語音轉文字）、時間序列分析（股票價格預測）。

vs CNN：RNN 適合時間序列/序列數據，CNN 適合空間結構的圖像數據。
vs Transformer：在 NLP 中，RNN 屬於「傳統序列模型」，須逐步（token by token）處理，訓練慢且難平行化；Transformer 以 Self-Attention 一次性平行處理整句，已取代 RNN 成為主流。

📖 課文原文
「RNN 是專為處理序列數據而設計的深度學習模型，其關鍵特性是網路中存在循環連接，使得模型可以記憶序列中之前的資訊。」