什麼是卷積神經網路（CNN）
以在輸入上滑動小型濾波器（卷積核）並計算乘積和的卷積層為核心，再疊加池化層等所構成的神經網路。由於同一個濾波器在整個輸入上重複使用，參數比全連接層少得多，並能不受位置影響地取出影像中的輪廓、紋理等局部特徵。用於影像辨識、物件偵測、語音處理等。
日文名稱: 畳み込みニューラルネットワーク(CNN)
「卷積神經網路（CNN）」出現在2領域的2道練習題中（AI硬體與軟體堆疊, 機器學習基礎等）。
這個名詞所屬的領域: 機器學習基礎
卷積層的計算
卷積層例如將3×3的濾波器從影像左上角開始，以固定間隔（步幅）滑動，計算重疊的像素與濾波器權重的乘積和，產生特徵圖。輸出大小可用輸入大小N、濾波器大小F、填充P、步幅S表示為 (N + 2P − F) ÷ S + 1。一層會使用多個濾波器，各自取出垂直輪廓、水平輪廓、顏色變化等不同的特徵。越深的層，越會對眼睛、車輪等大而複雜的特徵產生反應。
參數少的原因
對3通道輸入使用64個3×3濾波器的卷積層，參數為 3 × 3 × 3 × 64 + 64 = 1792個，與輸入影像的大小無關。若把同樣32×32×3的影像接到有64個輸出的全連接層，需要 32 × 32 × 3 × 64 + 64 = 196672個參數。只看鄰近的像素（局部連接），以及在整體上重複使用同一個濾波器（權重共享），使其能以少量參數有效率地學習。
池化與整體架構
池化層以2×2等區域為單位取最大值（最大池化）或平均值來縮小資料，減少計算量，並使網路不易受位置微小偏移的影響。典型的CNN會堆疊數組卷積層、啟動函數（ReLU等）與池化層，最後以全連接層與softmax函數進行分類。使用讓訊號跳過層傳遞的殘差連接，即使是超過100層的深層網路也能訓練。
練習卷積神經網路（CNN）的題目
在卷積神經網路中，有時會用im2col等方法將卷積計算轉換為矩陣相乘來計算，其原因下列何者正確？
- A因為轉換後運算次數會變為十分之一
- B因為可以使用高度最佳化的矩陣相乘函式庫，以及張量核心等矩陣運算單元
- C因為轉換後記憶體使用量必定減少
常見問題
卷積層的計算與數學上的卷積相同嗎？
許多框架所稱的卷積，嚴格來說是不翻轉濾波器而直接取乘積和的互相關運算。由於濾波器的權重是透過學習決定的，是否翻轉不會影響模型的性能。
CNN可以用在影像以外的地方嗎？
可以。語音波形與時間序列資料使用一維卷積，影片與醫學立體影像使用三維卷積。適合用於相鄰資料之間有關聯、排列成格狀的資料。
解析中的「卷積神經網路（CNN）」
例如，以大量影像訓練的CNN中靠近輸入的層能取出輪廓、紋理等一般特徵，因此可以只更換輸出層並針對新任務訓練，或以小的學習率重新訓練整個網路（微調）。
將以大量資料訓練好的模型，用少量資料運用到其他任務的遷移學習，下列敘述何者適當？
出現「卷積神經網路（CNN）」的題目（2題）
半導體、電子電路與資訊計算工具
相關名詞
摺積（卷積） 張量核心（Tensor core） 遷移學習（Transfer learning） 主成分分析（PCA） 正規化（Regularization） 交叉驗證（Cross-validation） 非監督式學習（Unsupervised learning） 強化學習（Reinforcement learning） 啟動函數（Activation function） 梯度下降法（Gradient descent）