本案例依原書 3.3.2「Basics of Neural Networks in Generative Models」整理。
理解生成模型背後 Neural Network 的基本結構。
原書指出 Generative Neural Network 透過多層節點做 Nonlinear Transformation，近似複雜 Data Distribution，生成新且逼真的 Sample。
| 元件 | 原書功能 | 例子 |
|---|---|---|
| Input Layer | 接收 Raw Data／Latent Vector | Input Features |
| Hidden Layers | 擷取 Hierarchical Feature／Relationship | 多層 Representation |
| Output Layer | 產生 Generated Sample | Text／Image 等 |
| Activation Function | 加入 Non-linearity | ReLU、GELU、Sigmoid、Tanh |
Excel 可整理 Layer、Dimension、Activation、Output Shape；AI 可解釋架構，但不能在沒有模型設定時猜 Hidden Layer 數量。
原書沒有固定 Layer Count 或 Parameter Count。
Neural Network 是多種 Generative Architecture 的共同基礎，但不同模型以不同機制組織 Layer、Latent Representation 與 Training Objective。
請根據模型架構資料整理 Input、Hidden、Output Layer 與 Activation Function；未提供 Layer Count 時請標示缺失，不要自行設定。