# 貳、研究目的

<!-- 訓練AI模型最大的困難就是培育資料，還況又是學生，所以我們採用GAN，GAN所需的資料量不像其他AI要那麼多且應用相當的廣，從虛擬人物到影像品質優化都有他的蹤影，我們希望可以透過親手模擬CNN，了解CNN的原理，並使用第三方開發的工具(如tensorflow)進行實作並應用在日常生活。 -->

我們希望從底層開始建構CNN神經網路，把有關AI學得更為透徹。不過在建構底層前的前置目標，我們自許將所有相關的理論都學成，並解利用這些知識搭配現有API(tensorflow)做出可以運作的模型，在進階至探討底層的構成，最後也希望能藉此延伸建出更多層面的應用。綜上所述，我們所希望達到的目標大致可分為

一、探討CNN神經網路相關的所有構成理論

二、將理論整理成文獻式的資料以供程式方面運作時的查閱

三、利用rust建構出基本的CNN模型

四、針對底層的各個部份進行拆解式的一一建構

五、合併已建構的完成的部分，變成可運作之CNN神經網路

六、進行延伸的應用

<!-- 訓練AI模型最大的困難就是了解理論，何況是高中學，所以我們採用循序漸進的方法，首先我們先探討傳統數據分析理論，接著是人工神經網路和捲積神經網路，最後分別用自製Cmake程式和tensorflow進行理論驗證和成品實作。-->

<!--此次研究主要著墨於CNN的研究以及實作，其中希望能夠在足夠的理論知識下，訓練出不同算法參數的模型並進行交叉比對，找出對於不同資料情形最適合的條件。如果企劃進行順利，預期在之後將實驗結果應用在實際的案例上，諸如，協助學校保安系統的視訊辨識功能;或是延伸進行的GAN生成式對抗網路，嘗試基於原實驗進行製圖與辨識對抗學習，並比對原實驗與延伸實驗結果的loss率。-->

<!-- 我們不只要學AI模型訓練師，我們要了解原理，並自創模型(不用很好也沒關係)，然後最後實作時再用別人寫好的。 -->