『自然使用者介面』(Natural User Interface, NUI)

這一波的人工智慧在自然使用者介面(Natural User Interface, NUI)有突破性的進展，包括影像(Image、Video)、語音(Voice)與文字(Text)的辨識、生成與分析，機器透過這種人類與生俱來的溝通能力，與使用者互動不僅更具親和力，也能對週遭的環境作出更合理、更有智慧的判斷與反應，尤其是，將這種能力附加到產品上，使產品應用發展產生無限的發展潛力，包括無人駕駛車、無人機、智慧家庭(Smart Home)、製造機器人(Robot)、聊天機器人(ChatBot) ...等。
從這一篇開始，我們就逐一來探討影像(Image、Video)、語音(Voice)、文字(Text)的相關演算法，之前我們只用10幾行程式辨識阿拉伯數字，就令筆者興奮不已，接下來，介紹另一個演算法『卷積神經網路』(Convolutional Neural Network, CNN)，它可以自動進行『特徵萃取』(Feature Extraction)，從而應用在影像辨識及自然語言處理(NLP)上，也因『卷積層』(Convolution Layer)概念的導入，可以非常有效減輕 Neural Network 訓練的負載。

卷積神經網路(Convolutional Neural Network, CNN)

CNN 也是模仿人類大腦的認知方式，譬如我們辨識一個圖像，會先注意到顏色鮮明的點、線、面，之後將它們構成一個個不同的形狀(眼睛、鼻子、嘴巴...)，這種抽象化的過程就是CNN演算法建立模型的方式。卷積層(Convolution Layer) 就是由點的比對轉成局部的比對，透過一塊塊的特徵研判，逐步堆疊綜合比對結果，就可以得到比較好的辨識結果，過程如下圖。

圖. CNN概念，圖片來源：An Intuitive Explanation of Convolutional Neural Networks

卷積層(Convolution Layer)

那我們如何從點轉成面呢? 很簡單，就是以圖像的每一點為中心，取周遭 N x N 格的點構成一個面(N 稱為 Kernel Size，N x N 的矩陣權重稱為『卷積核』)，每一格給予不同的權重，計算加權總和，當作這一點的 output，再移動至下一點以相同方式處理，至圖像的最後一點為止，這就是 CNN 的卷積層(Convolution Layer)，請參考下圖，CS231n: Convolutional Neural Networks for Visual Recognition 一文的Convolution Demo段落，它以動畫的方式說明取樣的方式。卷積層處理方式與影像處理方法類似，採用滑動視窗(Sliding Window)運算，藉由給予『卷積核』不同的權重組合，就可以偵測形狀的邊、角，也有去除噪音(Noise)及銳化(Sharpen)的效果，萃取這些特徵當作辨識的依據，這也克服了迴歸(Regression)會受『異常點』(Outliers)嚴重影響推測結果的缺點，好比說一個人的鼻子長了一顆痣，我們也應該能依據形狀辨識出那是鼻子。

圖. 卷積層(Convolution Layer) 運算方式，圖片來源：CS231n: Convolutional Neural Networks for Visual Recognition

若不引入卷積層，使用單純的隱藏層(Dense)，即第二篇的作法，不僅需要很大的記憶體，計算也會耗費很長的時間，我們看一個真實的案例，ImageNet 2012 挑戰賽的題目，辨識 227 x 227 點的全彩圖案，每一點R/G/B各佔24 bits，故輸入層單一張圖的資料量就有 227 x 227 x 72，假設有60,000個樣本，隱藏層輸出1000個變數，那矩陣運算就是(60000, 227 x 227 x 72) 與 (227 x 227 x 72, 1000)的內積，那是一個多麼龐大的矩陣運算。而卷積層的概念是假設我們在看一張圖時，每個神經元只會接收一小塊區域的反射光線，稱為『感知域』(感知域)，也就是說，隱藏層的神經元只會連接上一層『感知域』內的Input(11x11)，而不會連接『所有』的Input(227x227)，稱之為『局部連接』(Locally Connected)，而非『完全連接』所有 Input。

圖. 『完全連接』(Fully Connected) vs.『局部連接』(Local Connected)，圖片來源：CS231n Convolutional Neural Networks for Visual Recognition

每個隱藏層的神經元就只跟Input矩陣(11, 11)作運算，運算負擔就明顯減輕了，另外，還有一個假設，稱為『共享權值』(Shared weights)，就是每一個『感知域』對下一隱藏層均使用相同的一組權重(Weight Matrix)，請參閱下圖，這樣要推估的權重數量減少，又可以減輕運算的負擔，所以，運用卷積層的目的就是針對圖像或語言的特性，簡化計算的過程，進而縮短運算的時間。

圖. 『權值共享』(Shared weights)，圖片來源：What exactly is meant by shared weights in convolutional neural network?

在使用卷積層函數(Conv1D、Conv2D、Conv3D...)時，我們可以設定濾波器(Filter)的數目，系統在訓練的過程中，就會根據Input圖形，幫我們找出圖中出現的各種形狀濾波器(Filter)，例如(+、X、O...)，再往下加幾層卷積層，我們就可能找出圖像會包含的各種特徵，例如，眼睛、嘴巴、鼻子等，我們來看卷積四次的濾波器(Filter)，圖片來源為 https://cs.nyu.edu/~fergus/drafts/utexas2.pdf ，第一層只偵測到線，到了第四層，就幾乎得到整個輪廓了。

圖. 第一層濾波器(Filter)。

圖. 第二層濾波器(Filter)。

圖. 第三層濾波器(Filter)。

圖. 第四層濾波器(Filter)。

池化層(Pooling Layer)

卷積層之間通常會加一個池化層(Pooling Layer)，它是一個壓縮圖片並保留重要資訊的方法，取樣的方法一樣是採滑動視窗，但是通常取最大值(Max-Pooling)，而非加權總和，若滑動視窗大小設為2，『滑動步長』(Stride) 也為 2，則資料量就降為原本的四分之一，但因為取最大值，它還是保留局部範圍比對的最大可能性。也就是說，池化後的資訊更專注於圖片中是否存在相符的特徵，而非圖片中『哪裡』存在這些特徵，幫助 CNN 判斷圖片中是否包含某項特徵，而不必關心特徵所在的位置，這樣圖像偏移，一樣可以辨識出來(部分文字引用自卷積神經網路的運作原理 一文)。

圖. Max-Pooling, 視窗大小為2，『步長』(Stride)也為 2的取樣方法，圖片來源：A Beginner's Guide To Understanding Convolutional Neural Networks

結語

透過多層卷積/池化，萃取特徵當作 Input，再接至一到多個完全連接層，進行分類，這就是CNN的典型作法，下一篇我們就用 CNN 來作阿拉伯數字的辨識，看看有甚麼不同，緊接著，我們再介紹兩個 CNN 應用，說明 Neural Network 不是只能作分類而已。

弄懂這些概念，對後續實作有很大的幫助，請耐心看完，之後的應用都跟本篇有密切的關聯。
明天見了 !!