接下來，繼續介紹卷積神經網路。
3. 池化層（Pooling Layer）
池化層通常位於卷積層之後，用來減少特徵圖的尺寸，降低計算量，並保持關鍵的特徵。常見的池化方式包括最大池化（Max Pooling）和平均池化（Average Pooling）。
• 最大池化：選取局部區域內的最大值，保持主要特徵。
• 平均池化：計算局部區域的平均值，主要用於平滑特徵。
4. 全連接層（Fully Connected Layer）
CNN 的末端通常包含一個或多個全連接層，這些層將卷積層和池化層提取的特徵進行綜合，最終用於分類或回歸等任務。
• Softmax 層：如果是分類任務，最終會通過一個 Softmax 層將輸出轉換為概率分佈，用於確定輸入數據屬於哪一個類別。
5. 特徵共享和參數共享
卷積操作具備特徵共享和參數共享的特性，這意味著同一卷積核會應用到整個輸入數據的不同位置，從而顯著減少參數數量，提高計算效率。
總結
CNN 透過多層卷積、激活、池化等操作，能夠自動學習並提取數據中的關鍵特徵，尤其適合圖像分類、物體檢測、語音識別等需要大量數據處理的任務。由於它的層級結構設計，CNN 可以有效捕捉圖像中的局部和全局特徵，是現代深度學習中非常重要的模型之一。