前幾天我們透過 Confusion Matrix 和 Error Analysis，發現模型雖然有約 74% 的 Test Accuracy，但對不同皮膚病灶類別的辨識能力差異很大。

例如，模型經常將 mel 和 bkl 預測成 nv。

於是我開始想：

如果增加 CNN 的層數，讓模型學習更多影像特徵，分類結果會不會更好？

所以今天要介紹 CNN 的模型架構，以及 Layer、Filter、Kernel 和 Parameters 之間的關係，最後實際比較不同深度的 CNN。

一、CNN 的 Layer 是什麼？

前面我們已經使用過 Conv2D 和 MaxPooling2D。

其中，Conv2D 主要負責從圖片中學習特徵，而 MaxPooling2D 則會縮小 Feature Map 的空間尺寸，保留局部區域的重要資訊。

在 CNN 中，不同深度的 Convolution Layer 有機會學習不同層次的影像特徵。

例如較淺的 Layer 學到了邊緣、顏色變化、簡單紋理，較深的 Layer則組合前面學到的特徵，形成更複雜的影像表示。

因此增加 Layer，可能讓模型學習更複雜的特徵，但不代表一定能提升分類效果。

二、Filter 和 Kernel 有什麼不同？

在 Conv2D 中，我們常常看到：

tf.keras.layers.Conv2D(filters=32,kernel_size=(3, 3),activation="relu",padding="same")

這裡有兩個重要參數：

例如 filters=32 會產生 32 張 Feature Map，而kernel_size=(3, 3)代表每次觀察 3×3 的局部區域，Filter 數量增加，模型就有機會學習更多不同的特徵，但需要的計算量和 Parameters 通常也會增加。

三、什麼是 Parameters？

Parameters（參數）是模型在訓練過程中需要學習的數值，例如 Weight 和 Bias。

以 Conv2D 為例，參數數量與 Kernel Size、輸入 Channel 數量及 Filter 數量有關。

假設輸入是 RGB 圖片：

Kernel Size = 3×3
Input Channel = 3
Filter = 32

則參數數量為：

(3×3×3 + 1) × 32 = 896

其中 +1 代表每個 Filter 的 Bias，當模型增加 Layer 或 Filter 時，Parameters 通常也會跟著增加，不過 Parameters 越多，並不代表模型一定越好。

四、什麼是 Model Complexity？

Model Complexity（模型複雜度）可以從模型深度、寬度、參數數量及計算需求等不同角度理解。

一般來說，增加 CNN 的 Layer 或 Filter，可能提高模型學習複雜特徵的能力。

但同時也可能帶來：

• 訓練時間增加
• 記憶體與計算需求提高
• Overfitting 的風險
• 模型更難調整

因此我們要思考的是：

增加模型複雜度後，是否真的能改善它對新資料的分類表現？

五、實際比較不同深度的 CNN

這次延續前面的 HAM10000 Dataset，建立兩個不同深度的 CNN。

模型一：原本的 CNN

Input
↓
Conv2D(32) → MaxPooling
↓
Conv2D(64) → MaxPooling
↓
Flatten
↓
Dense(128)
↓
Dropout(0.5)
↓
Output(7)

模型二：增加一層 CNN

Input
↓
Conv2D(32) → MaxPooling
↓
Conv2D(64) → MaxPooling
↓
Conv2D(128) → MaxPooling
↓
Flatten
↓
Dense(128)
↓
Dropout(0.5)
↓
Output(7)

這次兩個模型都保留 Dropout(0.5)，並使用相同的資料切分與訓練設定。

主要差異是第二個模型多了一組 Conv2D 和 MaxPooling2D。

因此可以觀察：增加 CNN 深度後，是否能讓模型學到更有用的影像特徵？

六、比較 Validation Loss

將 2-Layer CNN 和 3-Layer CNN 的 Validation Loss 畫在一起後，可以看到兩個模型的訓練過程有所不同。

2-Layer CNN 的 Validation Loss 前期下降較快，但中間出現一些波動，後期也有回升的情況。

3-Layer CNN 前期下降較慢，不過隨著訓練進行，Validation Loss 逐漸降低，並在後期達到約 0.74，比 2-Layer CNN 的最低值約 0.76 略低。

這表示在這次實驗中，增加一層 Convolution Layer 後，模型有機會學習到更適合目前資料的影像特徵，但仍不能只根據這張曲線就認定更深的模型一定比較好。

七、比較 Test Data

最後使用相同的 Test Data，比較兩個模型的分類結果：

從結果可以看到，3-Layer CNN 的 Test Accuracy 從 74.43% 提升到 74.97%，約增加 0.54 個百分點。

不過 Test Loss 並沒有跟著降低，反而從 0.6988 小幅增加到 0.6997。

這代表增加 CNN 的深度後，雖然這次分類正確率稍微提高，但並不是所有評估指標都有改善。

因此，這次實驗可以得到一個結論：

增加 CNN 的 Layer 可能改善模型表現，但並不保證所有指標都會變好。

Day27 小結

今天我們認識了 CNN 的 Layer、Filter、Kernel、Parameters，以及 Model Complexity 的概念。

增加 Layer 可能讓模型學習更複雜的影像特徵，但也會改變模型的參數數量與計算需求。

因此CNN 並不是疊得越深就一定越強，還是需要透過實驗確認。

下一篇，我們將介紹 Transfer Learning，看看能不能利用已經在大量圖片上學習過的模型，改善目前的皮膚病灶分類結果。