什麼是卷積類神經網路？

CNN 會將輸入圖像傳至多層，逐層進行處理。前幾層會找出邊緣和線條等簡單特徵，而後幾層則會識別更複雜的模式、形狀，最終辨識出整個物體。這種按階層逐步擷取特徵的方法，讓 CNN 得以在影像辨識和其他電腦視覺工作上展現出色的成效。

CNN 就像一個分析相片來找出物件的專家團隊。在「辨識生產線」中，每一層都有自己須負責的特定工作。

1. 卷積層：特徵掃描員

這是第一組專家。每個專家都只負責尋找單一簡單特徵，例如直線邊緣、曲線或特定顏色。他們會拿著小型的放大鏡 (「篩選器」) 掃過整個圖像，每次找到指定特徵時就會記錄下來，最終會產生一組「特徵圖」，基本上就是指出基本特徵所在位置的地圖。

2. 活化層 (ReLU)：重要性篩選員

初步掃描完成後，管理員 (ReLU 函數) 就會檢查特徵圖。這項工作很簡單：保留強烈信號，捨棄微弱信號。這個機制會導入非線性關係，確保只有最重要且已明確識別的特徵會傳至後續階段，做進一步的分析，同時避免雜訊干擾整個流程。

3. 彙整層：摘要整理員

彙整層就像區域經理，負責根據特徵圖各個小區塊的結果歸納重點，而非詳細查看每個小細節。舉例來說，「最大彙整」層會查看特徵圖的 2x2 區域，並只回報最強的信號。這能縮減資料的整體大小，提高網路效率，並協助網路辨識畫面中任何位置的物件 (這個概念叫做「平移不變性」)。

4. 全連接層：偵探長

經過幾輪掃描和摘要整理後，最終的特徵報告會傳給偵探長。這一層會查看整體特徵組合 (「有鬍鬚」、「有尖耳朵」、「有毛皮紋理」)，並做出最終決定，也就是將所有摘要結果串聯起來，然後推斷出結論，例如：「根據所有證據判斷，這張圖中的物體是貓」，接著再將結果傳遞至最終輸出層 (例如 softmax)，針對每種可能的分類提供機率。

雖然卷積神經網路和傳統神經網路的設計目的都是處理資料並進行預測，但兩者在架構、應用方式和其他主要特色方面皆有顯著差異。

CNN 徹底改變了電腦視覺領域，讓機器能夠準確「看見」並解讀圖像。這類模型可以學習階層式視覺資料表示法，因此在多項電腦視覺工作取得了重大進展，包括：

圖像分類是電腦視覺的核心工作，會依據內容為整張圖像加上標籤。CNN 在這方面表現出色，在 ImageNet 等資料集的結果出類拔萃。這類模型可以從原始像素資料學習複雜特徵，因此能夠有效辨識圖像中的物體、場景，甚至是情緒。

物件偵測不僅可以分類，也能辨識圖像中的物體並找出位置。CNN 在物件偵測演算法舉足輕重，讓自動駕駛汽車等應用實例能感知周遭環境、讓機器人能在複雜環境移動，並讓安全系統偵測威脅。

CNN 的應用範圍遠遠超出圖像相關工作。這類模型可以學習特徵的空間階層，因此在多個領域都能派上用場，包括：

• 自然語言處理：CNN 可將語句視為一維「圖像」，當中的各個字詞或字元都是特徵，藉此分析文字。這類模型可以找出文字資料中的模式和關係，因此可用於情緒分析 (將文字分類為正面、負面或中性) 和語言翻譯 (將語句從一種語言對應至另一種語言) 等工作。
• 醫學圖像分析：在醫療照護領域，CNN 能以大型醫學圖像資料集 (X 光片、MRI、CT 掃描) 進行訓練，偵測細微的模式和異常狀況，進而判斷疾病。這樣即可協助放射科醫師執行工作，例如在乳房攝影影像偵測腫瘤、在 X 光片找出骨折處，或是在 CT 掃描影像區隔器官，進而提高診斷準確度和效率，並協助擬定個人化治療計畫。
• 藥物研發：CNN 可以分析分子結構，或許能夠加快藥物研發速度。CNN 可以學習分子結構與其特定之間的關係，預測潛在候選藥物的效用、毒性和其他特性。這種以「電腦模擬」廣泛篩選化學物質庫的方式，可以減少傳統藥物研發方法耗費的時間和費用。
• 財務模型建立：CNN 可以分析序列資料，或許也相當適合用於財務領域。CNN 可將時間序列金融資料 (股價、匯率、經濟指標) 視為一維「圖像」，找出傳統統計方法可能遺漏的趨勢、模式和異常狀況。這樣即可協助金融機構制定更明智的投資決策、預測市場波動，並更有效地管理風險。

無論您需要現成的解決方案或強大的平台來自行建構內容，Google Cloud 都能提供完整的生態系統來應用 CNN。

預先訓練的視覺功能：如要為應用程式新增強大的視覺功能，而不想從頭建立模型，可以使用 Vision AI 等服務。這類服務提供簡單的 API，讓您存取以 CNN 為基礎的模型，藉此處理物件偵測和文字識別等工作。同理，Document AI 會使用 CNN 來解讀複雜文件及擷取資料。

建立、訓練及部署自訂模型：如要以自有資料訓練 CNN，您可以使用 Vertex AI 提供的統合式平台，管理整個機器學習生命週期，包括大規模準備資料、訓練、部署及監控自訂 CNN 模型。

加速執行高效能訓練：訓練最先進的大型 CNN 需要大量運算資源。Cloud TPU 是 Google 專為加速深度學習模型訓練而打造的特製硬體加速器，可以加快創新速度。