今天要來介紹一下CNN的模型架構，先使用昨天那張圖來介紹。

我們可以將這個CNN模型分為幾個部分，分別是:

• Convulution Layer (卷積層)
• Pooling Layer (池化層)
• Fully Connected Layer (全連接層)

而其中卷積層以及池化層是負責做圖片的特徵擷取的部分，而最後的全連接層則是負責分類。

今天先來了解Convolution Layer是怎麼運作的吧。

由於卷積層是拿來做特徵擷取，所以他會將一張大的圖片，藉由一個小的卷積核來對圖片的每個部份做比對，來找出圖片符合特徵的地方，這樣講可能很難懂，先附上一張圖片。

下面那張9x9的圖片是我們想要辨識的叉叉，而上面三個3x3就是我們的卷積核，而裡面的數字可以讓我們用來做卷積的計算，從而得出我們現在所比對的這個區域是不是符合我們的卷積核。

如圖下所示:

我們左上的卷積核對應到下面的綠色框框的區域，都是3x3每一格互相對應並且格子的數字相乘，最後可以得出右上，代表這個區域是符合我們的卷積核的，透過這樣的方式，從左上到右下，將整張圖片都比對一遍，如下圖所示。

可能有人會覺得有些奇怪，怎麼會有小數?觀察比較仔細的人更會發現，怎麼從原本9x9變成7x7了?
那是因為卷積層的步驟還沒講完，我們先看下一個步驟的圖片:

現在有一張5x5的image，我們用一個3x3的卷積核去做卷積，並且我們可以由圖中知道卷積的運作方式，卷積核從圖片的左上角開始，每次向右一格，直到圖片邊界，之後往下一格，一樣從左邊開始，直到圖片邊界，之後同理，並且每次經過計算後，他會將9格的計算結果透過取平均、加總等方式濃縮成一格，所以當3x3的卷積核在掃描5x5的圖片時，左到右3次，上到下也3次，最後輸出了一個3x3的結果。

每次移動幾格這個稱為stride(步長)，當stride=2時，卷積核每次變移動兩格，所產生出來的結果大小也就不同。

這樣應該可以解決上面那個叉叉圖片的疑惑了，一個9x9的圖片，經過一個3x3的卷積核，左到右7次，上到下7次，輸出7x7的結果，並且他是以取平均的方式來進行計算。

這就是卷積層的一個基本的概念和運作方式，當然，卷積層可以有一些特殊的用法，當我們之後舉例有講到時會再進行介紹:D。


資料來源:
https://icecreamlabs.com/2018/08/19/3x3-convolution-filters%E2%80%8A-%E2%80%8Aa-popular-choice/
https://vinodsblog.com/2018/10/15/everything-you-need-to-know-about-convolutional-neural-networks/
https://brohrer.mcknote.com/zh-Hant/how_machine_learning_works/how_convolutional_neural_networks_work.html