文：任苙萍 Anita Ren

在現今人工智慧（AI）和機器學習（ML）快速發展的時代，CNN（卷積神經網路）和RNN（循環神經網路）這兩個名詞經常出現。它們就像是AI世界裡的兩位超級英雄，各自有擅長的領域，也各自扮演著重要的角色。

接下來，讓我們用簡單易懂的方式，帶你認識CNN與RNN，並透過舉例，幫助你更快掌握它們的概念！

CNN：影像辨識的超級高手

CNN是什麼？

CNN（Convolutional Neural Network，卷積神經網路），主要是用來處理圖片的。
簡單來說，CNN像是一位專門分析照片的偵探，可以從一張照片裡，找出關鍵的特徵，像是邊緣、顏色、形狀，然後進一步判斷這是什麼東西。

CNN的最大特點，就是它有一層又一層的「卷積層」（Convolutional Layer），這些層就像一個個放大鏡，幫助網路專注於圖片的不同細節。

舉個簡單例子：CNN如何認出一隻貓？
想像你給一個CNN模型一張貓咪的照片。

CNN 的執行步驟是：

第一層卷積層：抓出基本特徵，比如直線、曲線。

第二層卷積層：組合這些線條，形成像是耳朵、眼睛的形狀。

第三層以後：把這些組合成更高層次的概念，比如「這是一張貓咪的臉」。

最後分類：根據學到的特徵，判斷「這是貓」。

簡單說，CNN就像是一步步把小細節拼湊起來，最後組成完整的答案！

RNN：記憶力超強的時間大師

RNN是什麼？
RNN（Recurrent Neural Network，循環神經網路），主要是用來處理有時間順序的資料。
它和CNN最大的不同是，RNN可以記住前面的資訊，而且會影響到後面的判斷。

簡單來說，RNN就像是一個有記憶力的人，不只看到現在發生的事，還記得之前發生過的，這對處理文字、聲音、影片這種「一連串」的資料特別重要。

舉個簡單例子：RNN如何進行句子預測？
想像你輸入一句話：「我今天很…」

RNN 會依序：

先讀取「我」，建立一點初步理解。

再讀取「今天」，結合前面「我」的資訊，理解更完整。

然後看到「很」，這時系統已經累積了前面的資訊，推測接下來可能是「開心」、「忙碌」等形容詞。

最後根據所有累積的上下文內容，預測最合理的下一個字。

因此，RNN特別擅長做語音辨識、機器翻譯、聊天機器人這類需要「記憶前後文」的工作。

特徵	CNN	RNN
處理對象	靜態資料（如圖片）	時序資料（如文字、聲音）
記憶能力	無（每次只看局部特徵）	有（會記住前面的資訊）
應用範圍	影像辨識、物體偵測、醫學影像	語音辨識、文字生成、機器翻譯
重點特色	抓細節、組合特徵	理解時間序列、保持上下文邏輯

CNN與RNN的真實生活應用

CNN的著名的應用範例有：

臉部辨識：手機解鎖時，利用CNN分辨你的臉。

自駕車影像辨識：自動車用CNN辨識紅綠燈、路標、行人。

醫學影像診斷：透過CNN分析X光片或MRI影像，找出異常部位。

RNN的應用範例則是：

Siri和Google助理：理解你說的話，並且回應適合的答案。

自動翻譯：輸入中文，自動翻譯成英文或其他語言。

自動寫作：像是AI自動續寫故事、完成詩歌創作。

簡單總結：CNN與RNN各有千秋

CNN和RNN都非常強大，但它們各自有最適合的領域。

如果是圖片、影像這類靜態資料，選CNN就對了。

如果是文字、聲音、時間序列這類連續資料，RNN才是高手。

了解這些基礎概念後，我們會更能理解AI世界的運作，也能更好地運用它們來打造出更多令人驚艷的應用！