卷積神經網路

卷積神經網路（CNN）是神經網路的專門子集，可提供進階結構和機器學習功能，讓電腦能夠自主執行曾經需要人為介入的任務。與美光一同探索卷積神經網路的世界，探索其如何推動創新並改變我們的世界。 

什麼是卷積神經網路？

卷積神經網路定義：CNN 是一種特殊類型的人工神經網路，使用深度學習演算法直接分析和處理資料。 

神經網路是 AI 技術的類別，具有多個子集，包括卷積神經網路、前饋神經網路和後驅神經網路。雖然它們都是以模擬人類大腦功能的基本概念為基礎，但其配置、資料輸入方法和學習過程各不相同。

卷積神經網路與其他類型的神經網路不同，因為其直接從接收的資料和結構設計中學習。與傳統神經網路不同，每個節點都連接到後續層中的每個節點，CNN 的層間連接較少。這種獨特的架構使 CNN 對影像辨識和分類等任務特別有效，這就是經常將其用於電腦視覺的原因。

卷積神經網路如何運作？

卷積神經網路基本上的運作方式與其他神經網路相同。它們有一個輸入層，以引入資料；數個處理層以分析資料；以及輸出層，其將結果、分析或內容傳遞給使用者。

CNN 也特別具備處理視覺資料的能力，包括影像和影片，因為其使用稱為參數共用的技術。資料元素的分類並非每個節點都連接到下一層中的每個節點，因此不會重複處理類似資料。

但 CNN 與其他類神經網路的運作方式有何不同？ 分層系統的運作方式略有不同，主要有三種類型分層。

• 卷積層總是第一層，但可以有多個卷積層。其透過套用篩選器來偵測功能來處理輸入資料。此層的三個主要元件是輸入資料、濾波器和輸出功能圖。篩選器會掃描影像以建立功能圖，識別模式和功能。此流程的關鍵參數包括： 
  • 篩選器數量： 決定建立功能圖的數量。 
  • 步幅：定義濾波器移動的距離，影響輸出大小。 
  • 緩衝：影響與輸入相比的輸出大小。  
• 混樣層藉由縮小其大小及參數數目同時保留關鍵資訊來簡化卷積層之資料。資料分為類似欄位並彙總。混樣的兩種主要類型為： 
  • 最大混樣： 選取具有最大值的像素。 
  • 平均混樣：計算像素的平均值。 
• 與卷積神經網路中僅部分連接的大多數層不同，完全連接的層中的每個節點都連接到上一層中的每個節點，允許將特徵分類到最終輸出中。 

卷積神經網路的歷史為何？

雖然神經網路技術的開發始於 1940 年代，但卷積神經網路直到很晚才開發。  

• 1980 年，新認知器：1980 年，福島邦彥提出了一種新認知器，其具備兩種類型的層。S 層被稱為卷積層，應用過濾器來偵測輸入資料中的特徵。C 層類似於現代混樣層，其降低了資料的空間維度，有助於整合資訊並降低運算複雜度。 
• 1980 年代後期，CNN 的發展：神經網路發展過程中的下一步是 CNN，即 LeNet。Yann LeCun 和其他公司將此系統開發為數位辨識模型，但卷積、混樣和完全連結的分層架構為卷積神經網路奠定了基礎。 
• 2000 年代，突破性技術：經過二十年的發展，卷積神經網路（CNN）成爲二十一世紀初一項重要的技術。加速了圖形處理單元，對進一步機器學習至關重要。  
• 2010 年代，高效能 CNN：在 2010 年代，CNN 達到超人類的影像識別等級，同時開發了生成式 AI 技術，提高了基於卷積神經網路增強內容生成的前景。 
• 2020 年代，現代進步：2020 年代在 CNN 架構方面取得了重大進展，例如開發了 ConvNeXt。這種新架構將傳統卷積網路的優勢與受 Transformer 啟發的現代設計元素相結合，在物件偵測和語意分割等任務中實現令人印象深刻的效能。此外，CNN 與其他 AI 技術的整合，已將其應用範圍擴展到各種領域，包括醫學影像、自動駕駛等。 

卷積神經網路的主要類型為何？

傳統神經網路本身是神經網路技術的子集，專門用於處理空間資料。雖然有許多使用和應用 CNN 的方法，以及許多具有特定功能和優點的 CNN 模型，但 CNN 並沒有子集或類型。 

如何使用卷積神經網路？

卷積神經網路驅動了我們即將仰賴的 AI，因此這項技術具有廣泛的應用。其中最有希望的是醫學影像和自駕車。 

CNN 透過增強醫學影像技術，為更有效率、更自動化地辨識和診斷疾病提供了途徑。使用卷積神經網路處理醫療 X 光和 CT 掃描等視覺媒體，讓醫療專業人員能夠利用 AI 的強大功能來突顯可能遺漏的問題。透過將視覺評估工作卸載至高效的 CNN 模型，醫療影像處理可實現更順暢、更有效率的診斷。 

另一種使用卷積神經網路的新興技術是自駕車。自駕車需要 CNN 來推動技術所依賴的複雜互通性。自駕車必須持續即時評估物體和動作，通常同時處理多種資料類型。強大的 CNN 讓持續的評估成為可能。