---
title: "深度神經網路（DNN）"
slug: dnn
language: zh-TW
source: https://aiterms.tw/terms/dnn
updated_at: 2026-06-22
tags: [深度學習, 神經網路, 機器學習基礎, iPAS]
ipas_term: false
---

# 深度神經網路（DNN）

包含多個隱藏層的人工神經網路，能通過層層特徵抽取學習複雜的非線性表示，是現代深度學習的基礎架構。

## 完整說明

深度神經網路（Deep Neural Network, DNN）是包含至少兩個隱藏層的前饋神經網路，通過堆疊多層非線性轉換，自動從原始資料中學習層次化的特徵表示。DNN 是卷積神經網路（CNN）、遞迴神經網路（RNN）、Transformer 等現代深度學習架構的基礎概念，在語音識別、自然語言處理、電腦視覺等領域取得了突破性成果。

## 常見問題

### DNN 需要多少層才算「深」？

沒有嚴格的層數界限，「深」是相對而言的歷史概念。在 20 世紀 90 年代，2-3 個隱藏層就算深；今天的大型語言模型有數十乃至百餘層 Transformer 層。一般而言，超過 2 個隱藏層的網路都可以稱為 DNN。現代實踐中，層數的選擇取決於任務複雜度和資料量：層數越多，表達能力越強，但也越難訓練、越容易過擬合。殘差連接使訓練極深網路（如 ResNet-152）成為可能。

### DNN 和傳統機器學習（如隨機森林）的選擇依據是什麼？

選擇依據主要有四個維度：一、資料量。DNN 通常需要大量資料（萬筆以上）才能發揮優勢，資料少時容易過擬合，隨機森林等方法在小資料集上更穩健；二、資料類型。非結構化資料（圖像、語音、文字）DNN 幾乎是唯一選擇；表格資料（結構化特徵）傳統方法（GBDT）往往與 DNN 相當甚至更好；三、可解釋性要求。DNN 是黑箱，不易解釋；決策樹和線性模型透明度更高；四、計算資源。DNN 訓練需要 GPU，傳統方法 CPU 即可。

### 為什麼深層網路比淺層網路更有效？

深層網路的優越性有理論和實踐兩方面支撐。理論上，「深度分離」定理（Depth Separation）表明某些函數需要指數級更大的淺層網路才能近似，而深層網路可以用多項式大小表示；實踐中，層次化特徵學習讓網路能重用底層特徵（如視覺系統中的邊緣探測器），大幅提高參數效率。但深層並非沒有代價：訓練難度增加、過擬合風險上升、計算成本高，這也是為什麼同時需要正則化、殘差連接、注意力機制等配套技術才能讓超深網路表現良好。

---

來源：https://aiterms.tw/terms/dnn
快查頁：https://aiterms.tw/terms/dnn
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-dnn