為了提高模型的準確率，我們需要使用CNN，我們先來認識一下卷積神經網路(CNN)是什麼吧。

1. 卷積層（Convolutional Layer）
   通過卷積運算，提取輸入數據的局部特徵。每個卷積核會在輸入數據上滑動，生成特徵圖。這讓它能夠捕捉圖像中的空間關係，並減少參數數量。而卷積運算是將原始圖片的與特定的filter運算，就是將下圖兩個3x3的矩陣作相乘後再相加:
   
2. 池化層（Pooling Layer）
   降低特徵圖的尺寸，減少計算量和過擬合的風險。常見的池化方法有最大池化和平均池化。
   在下方矩陣中，只要挑出當中的最大值，這個做法叫Max Pooling。
   
3. 全連接層（Fully Connected Layer）
   將前面的特徵圖展平並連接到輸出層，用於最終的分類或預測。
   
4. 激活函數（Activation Function）
   常用的激活函數有ReLU、Sigmoid和Tanh等，引入非線性特性，使模型能夠學習更複雜的映射。

從上述介紹中能發現，它可以達到很高的準確率有幾個主要的原因，第一個是減少參數數量和引入池化操作，降低過擬合的風險。這能讓模型在未見數據上的表現更穩定，而提高準確率。第二個是池化層能夠減少特徵圖的維度，降低計算量，這可以保留重要的特徵，並抑制不必要的細節。第三個是它會自動從原始數據中提取重要特徵，讓它可以學習到更複雜的特徵。