此CNN非彼CNN

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

是一個在電腦視覺領域中，接觸到神經網路模型，

一定會聽到或用到的一個網路架構。

在理解孿生網路與實際應用之前，先來快速了解蹶積神經網路吧！

本文開始

卷積神經網路

顧名思義，是由卷積 (Convolution)這個功能組成的神經網路。

那什麼是卷積？

對兩個同樣大小的矩陣的每個對應位置求乘積，最後再求總和

因此如果是兩個3 x 3的矩陣做卷積，就會得到1個結果；

如果是一個5 x 5的矩陣與3 x 3的矩陣做卷積呢？

答案是一個3 x 3的矩陣

用圖來看就長這樣：

reference: towards: Intuitively Understanding Convolutions for Deep Learning

那這個能做什麼呢？

• 圖片做平滑或模糊處理
• 圖片做邊緣檢測
• 在各種影像處理工具中做銳化處理
• 影像去雜訊

也因為卷積可以做出這些影像處理，反過來說，我們可以讓神經網路"學習"如何去做這些圖片操作與辨別。

CNN已經有專業邦友的介紹了，這裡就不多加闡述。

由於CNN只是一個神經網路架構概念，在這個概念下的神經網路有 (依照年代前後)：

• LeNet
• AlexNet
• GoogLeNe
• VGGNet
• ResNet
• GooLeNet

...等等不勝枚舉。

當然，我們也會選一個CNN來作為實作我們的孿生網路。

孿生網路

回到孿生網路，昨天提到孿生網路 (siamese networks)是一種神經網路架構，

它的架構大概可以用下面的圖來說明：

透過結合兩個一模一樣的CNN網路，彼此在訓練過程會共享權重(weights)，可以得到一個模型用來

• 輸入兩張照片
• 輸出一個值用來判斷這兩個輸入的照片是否相似

這也就是明天我們要用的孿生網路做人臉辨識的做法囉！