7️⃣ RNN（循環神經網路）

🎯 什麼是 RNN？

循環神經網路（Recurrent Neural Network, RNN）適用於 序列數據（Sequential Data），例如 時間序列、自然語言處理（NLP）、語音辨識 等。

✅ RNN 的核心概念：

時間步長（Timesteps）：保留過去資訊以影響未來預測。
隱藏狀態（Hidden State）：存儲過去輸入的資訊。
長短期記憶（LSTM）與門控循環單元（GRU）：解決 RNN 訓練時的長期依賴問題。

✅ 建立一個 RNN 模型

我們使用 Keras 來建立一個基本的 RNN 模型。

from tensorflow import keras
from tensorflow.keras import layers

# 建立 RNN 模型
model = keras.Sequential([
    layers.SimpleRNN(64, activation='relu', input_shape=(10, 1)),
    layers.Dense(1, activation='sigmoid')
])

# 編譯模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

✅ 這是一個適用於時間序列分類的基本 RNN 結構。

✅ LSTM（長短期記憶網路）

LSTM 是 RNN 的改進版本，解決了 梯度消失（Vanishing Gradient） 的問題。

model = keras.Sequential([
    layers.LSTM(64, return_sequences=True, input_shape=(10, 1)),
    layers.LSTM(32),
    layers.Dense(1, activation='sigmoid')
])

✅ LSTM 適用於較長的序列數據，例如自然語言處理（NLP）。

✅ GRU（門控循環單元）

GRU 是 LSTM 的簡化版本，運算較快，效果相近。

model = keras.Sequential([
    layers.GRU(64, return_sequences=True, input_shape=(10, 1)),
    layers.GRU(32),
    layers.Dense(1, activation='sigmoid')
])

✅ GRU 在小型數據集上通常比 LSTM 更高效。

✅ 訓練 RNN 模型

我們使用隨機生成的數據來訓練 RNN。

import numpy as np

# 生成隨機數據
x_train = np.random.rand(1000, 10, 1)
y_train = np.random.randint(0, 2, size=(1000,))

# 訓練模型
model.fit(x_train, y_train, epochs=10, batch_size=32)

✅ 這將訓練 10 個 epochs，每次 batch 為 32。

📝 總結

功能	語法
RNN 層	`SimpleRNN(units, activation)`
LSTM 層	`LSTM(units, return_sequences)`
GRU 層	`GRU(units, return_sequences)`
模型訓練	`model.fit(x_train, y_train, epochs, batch_size)`

🚀 現在你已經學會如何使用 Keras 建立 RNN！接下來，我們將學習轉移學習（Transfer Learning）！ 😊