昨天介紹了有關CNN的知識，坦白說連筆者都有點被搞得霧煞煞了呢!但沒關係，今天筆者想再簡單聊聊CNN的實際應用，相信大家會在更認識什麼是CNN(卷積神經網路)啦!介紹完後會繼續前進，建構相關的環境，那我們就開始囉!

CNN實際應用
其實CNN(卷積神經網路)可應用的範圍相當廣，除了筆者所呈現的影像辨識系統外，囊括了視訊分析、語言辨識(分析語句、分類...等)，甚至是著名的AlphaGO都是使用CNN去做到機器的深度學習，可以說是非常廣泛。
與這次使用的影像辨識系統，其實概念也算簡單。大家常見的修圖軟體，有一項功能是銳利化，就是利用CNN(卷積神經網路)去做到圖片銳利化。銳利化就是使用深度學習中的Feature，在訓練模型時，我們需要不斷擷取資料的特徵，再進行分類或預估。所以銳利化的原理很簡單，就是對圖片進行特徵的強化，例如說，筆者今天修一張飛機的照片，原本有些模糊，但藉由銳利化後，部分線條變得更加清楚，這就是將特徵銳利化的結果，這時深度學習後的模型可以對特徵做選擇，並利用特徵來做分類與預估，CNN(卷積神經網路)就是負責對圖片去做擷取特徵，找出最好的特徵再進行分類。如下圖所示:

可以看到前後的差異，機器可以對圖片去做擷取特徵，所以讓銳利化前與後在細部有些差異。

建立模型
要建立卷積神經網路，需輸入以下指令，將會一步步慢慢分析，加油!

1. 卷積層1(28X28影像，總共16層)
   

2. 池化層1(14X14影像，總共16層)
   

3. 卷積層2(14X14影像，總共36層)
   

4. 池化層2(7X7影像，總共36層)
   

5. 平坦層(1764神經元)
   

6. 隱藏層(128神經元)
   

7. 輸出層(10神經元)
   

以上的程式碼即可做出CNN(卷積神經網路)，有點複雜，但希望儘可能以簡單的方法讓我們都可以深入了解，加油囉!

Reference: https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ml-note-convolution-neural-network-%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-bfa8566744e9
Reference: https://zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化