# [D15] CNN
CNN 是卷積神經網絡（Convolutional Neural Network）的簡稱，在影像辨識的領域中，一定要認識 CNN！

[圖片出處](https://medium.com/jameslearningnote/%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%AC%AC5-1%E8%AC%9B-%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E7%B5%A1%E4%BB%8B%E7%B4%B9-convolutional-neural-network-4f8249d65d4f)

如上圖所示，CNN 的概念簡單來說其實就是做＂**兩次**＂的　Convolution 和 Max pooling，最後再經過兩層 fully Connected layer ，這樣的組合就是 CNN 的架構了～

### Convolution Layer 卷積層
Convolution 的概念我們上一篇有介紹了，就是將原始圖片透過特定的 filter 做`卷積運算`，出來的結果我們稱為 feature map。
[圖片出處](https://medium.com/jameslearningnote/%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%AC%AC5-1%E8%AC%9B-%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E7%B5%A1%E4%BB%8B%E7%B4%B9-convolutional-neural-network-4f8249d65d4f)

### Pooling　Layer 池化層
再來要講的是 pooling ，在 Pooling Layer 通常採用 **`Max Pooling`**，什麼是 Max pooling 呢？ 它的概念很簡單：挑出每組矩陣當中的`最大值`！這樣就能提取到影像中每個部分比較重要的特徵，加速收斂並縮小　Feature map　的尺寸！

Max Pooling 主要的好處是當圖片整個平移幾個 Pixels時，對影像判斷上完全不會造成影響，以及有很好的抗雜訊功能。

[圖片出處](https://cinnamonaitaiwan.medium.com/%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92-cnn%E5%8E%9F%E7%90%86-keras%E5%AF%A6%E7%8F%BE-432fd9ea4935)

### Fully Connected Layer 全連接層
全連接層的工作就是前面的結果`平坦化`（flatten）後做最後的特徵提取，並且利用最後一層的 FC 當作分類器。也就是說經過幾個卷積層和最大池化層之後，最終的分類是通過全連接層完成的。