Deep Learning 參數設計 vs 降維概論
一句話理解
Deep Learning 的層數設計，本質上就是重現數據分析的降維流程。
核心原則
層數以 2 的次方 遞減設計：
| 階段 | 概念 |
|---|---|
| 逐層縮小 | 降（特徵壓縮） |
| 瓶頸層 | 建模（最低維表示） |
| 輸出層 | 取（提取目標特徵） |
範例
輸入 32 維 → 16 → 8 → 4 → 2（降至 2 維）
Deep Learning 的層數設計，本質上就是重現數據分析的降維流程。
層數以 2 的次方 遞減設計：
| 階段 | 概念 |
|---|---|
| 逐層縮小 | 降（特徵壓縮） |
| 瓶頸層 | 建模（最低維表示） |
| 輸出層 | 取（提取目標特徵） |
輸入 32 維 → 16 → 8 → 4 → 2（降至 2 維）