捲積神經網路Convolutional Neural Network

捲積神經網路(Convolutional Neural Network, 簡稱CNN)是深度學習非常經典的一個模型，是一種主要用於圖像處理的學習模型。捲積神經網路的設計靈感來自於人類視覺系統的運作方式，能夠有效地處理和理解圖像資料。
卷積神經網路利用線性運算（像是矩陣乘法）來獲得部分圖像的特徵。所以對計算有一定的需求。

圖片來自: 連結

CNN的通常分為三層，分別為

捲積層(Convolutional Layer):

卷積層是捲積神經網絡的核心，他的主要目標是從輸入圖像中提取特徵，以進行後續的處裡，分類。此層運作時將原始圖片，利用滑動的方式使濾波器(Feature Detector，也稱作特徵檢測器，作用是掃描圖像的某部分區域，利用線性運算這些區域中尋找某類型的特徵。)在每個Receptive Field(我自己翻譯成局部的接收域)上對圖像進行處理。
在捲積層經過掃描運算後會得到一張特徵圖(Feature Map)，特徵圖反映了在原始圖像中不同位置的特徵。
捲積層還有一個特點，也就是所有在捲積層中的Feature Detector在剛開始都有一樣的權重和偏差，而捲積神經網路就可以透過不斷變更調整各個Detector的權重偏差，進而得到需要的特徵目標。
在開始訓練前，需要調整三個重要的參數，分別是
濾波器數量: 直接決定了輸出的深度。
步幅(Stride): 步幅是指掃描過程中的單位移動長，步幅的大小決定了圖像的細節差別和特徵圖的大小。
填充(Padding)： 填充是指在圖像周圍添加額外的像素值，以控制卷積操作的輸出尺寸。填充可以是零，也就是不添加像素，或者是其他填充方式。填充可以用來保持特徵圖的尺寸，防止圖多餘的部分縮小。

圖片來源: 連結

剩下兩層分別是池化層(Pooling Layer)和全連接層(Fully Connected Layer)，會在下一篇接續介紹。