卷積神經網絡（Convolutional Neural Network，CNN）是一種深度神經網路，特別用於處理和分析圖像數據。它在視覺領域獲得了巨大成功，被廣泛應用於圖像識別、圖像分類、物體檢測、人臉識別、自動駕駛、圖像生成等各種應用中，甚至可以做到比人類還精準程度。
CNN和MLP比較，CNN增加了卷積層與池化層，並在提取特徵之後以平坦層將特徵輸入神經網路。

卷積層（Convolutional Layers）
卷積是將原片與Feature Detector進行卷積運算，可以看成圖片濾鏡特效的處理，濾鏡透過在輸入圖像上滑動並進行卷積運算，從而提取圖像中的特徵。每個濾鏡都學習不同的特徵，例如邊緣、紋理、形狀等。
卷積過程從輸入圖像的左上角開始，將卷積濾鏡的值與輸入圖像的相對應區域進行元素相乘，接著，卷積過程向右滑動一個步長（stride），將卷積過濾器應用到下一個區域，重複上述過程。

填充（Padding）:設定卷積運算圖片大小。
步長（Stride）：步長決定了卷積過程中過濾器的滑動速度。較大的步長會減小輸出特徵圖的尺寸，而較小的步長會保留更多的細節。

池化層（Pooling Layers）
池化操作（Pooling Operation）：池化操作是池化層的核心。它通過在特徵圖的局部區域上應用某種函數，例如最大值（最大池化）或平均值（平均池化），來減少特徵圖的空間尺寸。

最大池化（Max Pooling）：在最大池化中，池化操作在每個區域中選擇最大的值，相當於挑出圖片局部最明顯的特徵。
平均池化（Average Pooling）：在平均池化中，池化操作在每個區域中計算平均值作為新的值。這種池化方法也有助於減小特徵圖的尺寸，但不像最大池化那麼常用。有時可以用於減少overfitting。

---20231003---