上一篇我們終於建立了第一個 DNN，成功將 HAM10000 的皮膚病灶圖片送進模型，並透過 Softmax 輸出 7 個類別的預測結果，不過，在建立模型時，我們使用了一個很重要的步驟：tf.keras.layers.Flatten()

它會將原本 (64, 64, 3) 的圖片攤平成 12,288 個數值，這樣確實可以讓 DNNk處理圖片，但問題來了，一張圖片不只是數字的集合，Pixel 之間的位置關係也很重要如果直接攤平成一長串數字，會不會失去一些重要資訊呢？

今天就從這個問題開始，認識專門用來處理影像的 CNN

一、DNN 處理圖片有什麼限制？

先回顧上一篇建立的模型：

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(64, 64, 3)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(7, activation="softmax")
])

其中 Flatten() 會將圖片(64, 64, 3)轉換成一維資料(12288,)，但假設我們正在觀察一張皮膚病灶圖片，病灶的邊界、形狀與周圍皮膚之間的差異，往往需要透過相鄰 Pixel 一起觀察才能發現

DNN雖然可以學習這些數值之間的關係，但 Flatten 之後，原本的二維排列不再被明確保留，模型也沒有特別針對相鄰 Pixel 的關係進行設計

而且，每個 Dense Neuron 都需要與前一層的所有輸入連接，例如上一篇的模型有12,288 個輸入 × 128 個 Neuron，光是這一層，就需要超過 157 萬個 Weight，因此，當圖片解析度越高，Dense Layer 需要學習的參數也可能快速增加

所以我們需要思考：有沒有一種模型，可以直接利用圖片原本的空間結構，而不是一開始就把它攤平？

二、什麼是 Spatial Information？

Spatial Information（空間資訊），簡單來說就是圖片中各個 Pixel 之間的位置與排列關係，例如下面兩組數字：
圖片 A：

0    0    0
0   255   0
0    0    0

圖片 B：

255   0   0
  0   0   0
  0   0   0

兩張圖片都有一個數值為 255 的 Pixel，但因為它們的位置不同，呈現出來的圖案也不同，在真正的影像中，這種位置關係就更加重要，以皮膚病灶圖片為例，我們可能會想觀察：

• 病灶的邊界在哪裡？
• 顏色是否集中在某個區域？
• 病灶的形狀是否對稱？
• 周圍皮膚和病灶之間有什麼差異？

這些特徵都和 Pixel 之間的空間關係有關，所以對影像辨識來說，不只是 Pixel 的數值重要，它們排列在什麼位置也同樣重要

三、CNN 是什麼？

CNN 的全名是Convolutional Neural Network（卷積神經網路）

它是一種特別適合處理影像等具有網格結構資料的神經網路，和前面直接使用 Flatten 的 Dense Neural Network 不同，CNN 可以先保留圖片的二維排列，透過 Convolution（卷積）逐步學習圖片中的局部特徵

例如，模型可以先從圖片中學習比較簡單的特徵從邊緣到紋理、局部形狀再到更複雜的影像特徵，最後再利用這些學到的特徵進行分類

以我們的 HAM10000 為例，CNN 的目的就是從圖片中學習有助於區分不同病灶類別的影像特徵，而不是只依靠人工指定每一張圖片要觀察什麼

四、CNN 和 DNN有什麼不同？

所以並不是 DNN不能處理圖片，而是 CNN 的模型設計更符合圖片本身具有空間結構的特性

五、CNN 到底是怎麼「看」圖片的？

前面講過DNN是怎麼便是圖片的，那麼 CNN 到底怎麼從一小塊 Pixel 中找到「邊緣」、「紋理」甚至更複雜的特徵？

這就會用到 CNN 最重要的核心之一：Convolution（卷積）

而在 Convolution 裡，我們又會遇到兩個很重要的名詞，Kernel（卷積核）與 Feature Map（特徵圖）

下一篇我們就可以直接從一個 3 × 3 Kernel 開始，看看它到底是怎麼在圖片上移動，又是怎麼從一堆 Pixel 中找出影像特徵的