今天我們來討論Deep learning經典的模型之一 - Convolutional Neural Network (CNN)的架構。目前CNN被大量使用的影像辨識的應用上 (Ex: 車牌辨識、人臉辨識等等)。以前用DNN做影像辨識的時候，會把pixel壓成一個一維度的特徵，但現在CNN的架構可以使用Convolutional layer來看圖片，對於在做影像辨識，除了參數量，或者效果都更勝於以前單純的DNN架構，也是一個Deep learnig模型的突破。而CNN經典的架構有像是: Le-Net, VGG, GoogleNet, ResNet, DenseNet 等等。

source

CNN的架構主要可分為幾個 Convolution 、 Pooling 、Flatten、 Fully Connected Feedfoward Network (FC)。

1. Convolution (卷積):

首先我們會input一個image，接下來會使用 Filter來偵測圖片裡的特徵 (Ex: 偵測圖裡面有沒有圓圈或者正方形)，而Filter中的數值也是CNN中learnable的參數。接下來他會像下圖一樣一格一格的掃過所有圖片。而其中，若您像減少餐數量或者說覺得一張圖不需要一格一格掃，就可以設定stride的大小。若stride=2，則Filter會每兩個pixel才掃一次。而搜完後所得出來的結果我們會稱之為Feature Map。

source

在tf api裡面常看到的這段就是Convolution

layers = tf.keras.layers.Con2D(4,kernel=5,strides=1,padding='same')
out = layers(x)

padding的話就是在資料周圍去補0，作用主要是去補足不夠的資料。也有人認為做padding可以提高圖像邊緣的資料量，而padding的方法有'same'跟'valid'，兩種的做法不太一樣，因此在使用的時候要小心，確認是您所想像的方法。

2. Pooling (池化):

換句話說就是subsampling，針對Feature Map做Subsampling。透過設定好的Pooling大小，針對Feature Map中的分割區域做Max值或者Mean值的操作。Pooling的動作可以萃取出較有價值的資訊量且可減少餐數量。但反之，透過Pooling也可說是會損失原有的資訊量。目前多數使用的都是MaxPooling。若想要從Maxpooling還原或者說想要放大的話可以使用tf.

source

在CNN tf的api常看到的就是下面這類型的code

pooling = tf.keras.layers.MaxPool2D(2,strides=2)
out = pooling(x)

3.Flatten & FC:

簡單來說就是把資料壓平並傳輸到一個DNN的Fully Connected的網路架構裡。

Source

這邊的話其實就跟前面最常看到的DNN一樣

tf.keras.layers.Dense(256,activation=tf.nn.relu)

總括來說CNN的架構可被簡易成下圖步驟，當一個image input的時候，會進入Convolution以及Pooling階段，而這兩個階段可能為一直重複，最後才壓平並input到一個Fully Connected的network裡面。

小結:

今天看完了經典之一的CNN架構，CNN已經被許多企業應用於影像辨識等場景，尤其是臉部辨識的應用。而科技業也開始應用CNN在預測或者說是在檢驗產線上的不良率。而CNN效果已經高於人工的檢驗水準。因此，CNN可說是一個非常成熟的模型。明天我們來時做一個CNN經典的架構。

一天一梗圖

source