Convolutional Neural Network

What？

CNN（Convolutional Neural Network）是什麼？
CNN，全名 Convolutional Neural Network，是一種基於 Deep Learning（Deep Learning）的神經網路架構，主要用於處理結構化的資料，例如圖像或語音信號。它透過「卷積層」（Convolution Layer）提取特徵，再配合其他層如池化層（Pooling Layer）和全連接層（Fully Connected Layer），進行分類或回歸等操作。可以把它想像成一個非常聰明的濾鏡，能夠自動找出資料中的重要模式。

舉例來說，你要讓電腦識別一張貓的照片，CNN 的卷積層會自動尋找照片中的耳朵、眼睛等局部特徵，並結合形成對整隻貓的理解。

---

Who？

CNN 主要由以下族群使用：

1. 資料科學家：用於建構影像辨識模型，例如診斷醫療影像中的腫瘤。
2. 人工智慧工程師：應用在自駕車中，用以辨識道路標誌或行人。
3. 研究人員：探索新的架構來提升模型效能，例如減少計算資源需求。
4. 企業應用者：在產品中實現功能，如電子商務網站上的商品圖片分類。

此外，終端消費者雖不直接使用 CNN，但會受其影響。例如，透過臉部辨識解鎖手機、使用 Google Photos 搜索「海灘」時看到相關照片。

---

When？

當需要處理有空間結構特性的資料時，就適合採用 CNN。例如：

• 影像處理任務：物件偵測、影像分類、人臉辨識。
• 語音信號分析：語音情緒分析或語音指令辨識。
• 醫療領域應用：判斷 X 光片中的病變區域。

總之，只要資料具有「位置相關性」，例如圖片中某些元素的位置重要，就非常適合使用 CNN。

---

Where？

CNN 通常部署在以下幾個地方：

1. 前端設備／終端裝置（Edge Devices）

   • 像是手機晶片上的 AI 加速器，用來執行即時人臉解鎖功能。

2. 伺服器／雲端計算環境

   • 例如在 AWS 或 Google Cloud 上訓練大型模型，用於圖像分析。

3. 嵌入式系統

   • 比如自駕車內部嵌入系統，即時執行物件偵測以避免碰撞。

4. 混合架構

   • 部分計算在雲端進行，比如模型訓練；而推論階段則移至前端硬體上完成。

---

Why？

傳統方法如手工設計特徵提取器（Feature Extractor），通常效率低且難以泛化到不同場景。而 CNN 的出現改變了這點，它能夠：

1. 自動提取高效特徵：

   • 適應各種圖像和信號，不需人工干預。

2. 支援大規模數據：

   • 和深度學習其他網路一樣，CNN 擅長處理大量資料，並能從中學習複雜模式。

3. 提升效能：

   • 無論是準確度還是速度，都比傳統方法更具優勢。

簡而言之，如果你的業務涉及「空間資訊」並且需要高效分析，那麼 CNN 是不可缺少的一部分技術工具。

---

How？

🛠️ 建立階段

建立 CNN 模型的流程如下：

1. 定義網路架構：

   • 決定卷積層、池化層及全連接層的數量與順序。

2. 準備輸入資料：

   • 圖片通常會被轉換為固定大小的矩陣格式，例如 224x224 的 RGB 三通道陣列。

3. 設定超參數：

   • 如 filter size（濾波器大小）、stride（步幅）、padding（邊界填充）。

4. 訓練模型：

   • 使用 Back Propagation 法和梯度下降法對權重進行更新。

5. 評估性能：

   • 使用測試集監控Accuracy與 Loss Function 表現；可考慮引入 Cross-validation 確保穩健性。

範例程式碼 (以 Python 和 TensorFlow 為例)：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

🔍 查詢階段

查詢階段主要針對已訓練好的模型進行推論，包括以下步驟：

1. 輸入新資料：

   • 將待測圖片預處理成與訓練集一致的格式。

2. 模型推論：

   • 將圖片輸入到已訓練好的模型中獲得結果，例如分類標籤或物件座標。

範例程式碼：

from PIL import Image
import numpy as np

# 加載已保存的模型
saved_model = tf.keras.models.load_model('my_cnn_model.h5')

# 處理輸入圖片
image = Image.open('test_image.jpg').resize((224, 224))
image_array = np.array(image).reshape(1, 224, 224, 3)

# 推論結果
predictions = saved_model.predict(image_array)
print("Predicted class:", np.argmax(predictions))

---

補充說明

📌 範例比較

技術/方法	優勢	劣勢
傳統模板匹配算法	易於理解	隨著數據量增大效能快速下降
手工 Feature Extractor	可控性高	難以泛化到新場景
使用 CNN	特徵提取效率高、自動化程度高	訓練時間長且需大量計算資源

🧠 延伸／常見誤解

1. 誤解：「CNN 僅適合二元分類」
   事實上，CNN 可以