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(Convolutional Neural Networks)適合影像辨識
(B) ReLU(Rectified Linear Unit)比 tanh 和 Sigmoid 好，因為 ReLU 可以減緩梯度爆炸與消失的現象
(C) 遞迴神經網路(Recurrent Neural Networks)適合處理序列相關資料
(D) Elman 神經網路(Elman Neural Networks)適合處理影像辨識

答案：登入後查看
統計： A(6), B(7), C(7), D(34), E(0) #3773359

chiyu2009

B1 · 2026/11/03

#7654309

A) 卷積神經網路 (Convolutional Neural Networks, CNN)：非常適合處理影像辨識與電腦視覺任務，因為其局部連接與權重共享的特性可以有效萃取空間特徵。此敘述正確。
(B) ReLU (Rectified Linear Unit)：相比傳統的 \( \text{tanh} \) 和 \( \text{Sigmoid} \) 活化函數，\( \text{ReLU} \) 在正值區間的梯度為常數（\( \text{1} \)），因此能有效克服或減緩梯度消失（Vanishing Gradient）的問題，是深度學習中常用的活化函數。此敘述正確。
(C) 遞迴神經網路 (Recurrent Neural Networks, RNN)：專門用來處理時間序列、語音或自然語言等序列相關資料，能透過循環結構捕捉前後文的相依性。此敘述正確。
(D) Elman 神經網路 (Elman Neural Networks)：這是一種簡單的循環神經網路（Simple RNN），主要也是用來處理時間序列與動態系統預測等序列資料，而非專門用於影像辨識。因此，此敘述不正確。