---
title: "卷積神經網路（Convolutional Neural Network）"
slug: convolutional-neural-network
language: zh-TW
source: https://aiterms.tw/terms/convolutional-neural-network
updated_at: 2026-07-29
tags: [深度學習, 電腦視覺, 神經網路]
ipas_term: true
---

# 卷積神經網路（Convolutional Neural Network）

> **你有沒有想過，電腦怎麼從一張照片裡找出邊緣、眼睛或車輪？**
>
> 你可以把卷積神經網路想成「先看局部，再慢慢拼成整體」：它用小視窗掃過圖片，抓邊緣、紋理和形狀。
>
> 它很重要，因為影像資料又大又複雜，CNN 透過局部感受野和參數共享，把圖像任務做得更有效率。

### 容易混淆

> **卷積神經網路 vs 全連接神經網路 vs 電腦視覺**
>
> 卷積神經網路：處理影像的模型架構
>
> 全連接神經網路：每個神經元都和前一層大量連接，參數很多
>
> 電腦視覺：更大的領域，CNN 是其中常見工具
>
> 最關鍵的區別：CNN 是方法，電腦視覺是應用領域。

### 記住這句就好

> 先抓局部特徵，再拼出整張圖的意思。

### 實際案例

> **貓狗分類**
>
> 前：把整張圖硬塞進普通神經網路，參數爆炸還不穩
>
> 後：用卷積層抓耳朵、眼睛、毛流，再做分類
>
> **工廠瑕疵檢測**
>
> 前：每個像素都一樣看，效率差又難抓局部異常
>
> 後：CNN 先找刮痕、孔洞和邊界異常，再輸出是否不良

### 算法與應用

> CNN 的核心是卷積、池化、非線性激活和特徵圖，透過層層堆疊形成更高階表示
>
> 它廣泛用在影像分類、物件偵測、影像分割，後來也被延伸到語音和序列任務
>
> 現在深度學習很強，但 CNN 仍是許多視覺模型的基本積木

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 卷積神經網路 | 台灣正式用語 |
| 卷积神经网络 | 簡體寫法 |
| Convolutional Neural Network | 英文原名 |
| CNN | 標準縮寫，注意這個縮寫也是美國有線電視新聞網的名稱 |
| ConvNet | 論文與程式碼裡常見的簡稱 |

### 三個核心組成

> **卷積層（convolution）**：用一個小的濾波器在影像上滑動做內積，抓出邊緣、紋理這類局部特徵。同一個濾波器在整張圖共用同一組權重，這叫**權重共享**，是 CNN 參數量遠小於全連接網路的原因。
>
> **池化層（pooling）**：把區域內的值取最大或平均，降低解析度、擴大感受野、並提供一點位移容忍度。
>
> **全連接層**：最後把特徵攤平接分類頭。近年很多架構改用全域平均池化取代它，參數更少也更不容易過度擬合。
>
> 疊起來之後會出現一個層級結構：**淺層學邊緣與顏色，中層學紋理與零件，深層學物件層級的概念。** 這個由簡到繁的結構不是人設計的，是訓練自己長出來的。

### 兩個內建假設

> CNN 的效果來自兩個寫進架構裡的假設：
>
> **局部性**：有意義的圖案是局部的，判斷一個像素屬於什麼，主要看它附近的像素。
>
> **平移不變性**：一隻貓移到畫面另一邊還是一隻貓，所以同一組濾波器在整張圖都適用。
>
> 這兩個假設叫做**歸納偏置（inductive bias）**。它們讓 CNN 在資料量不大的時候就能學得好，因為模型不需要從零學會這些常識。相對地，視覺 Transformer 幾乎沒有這些假設，資料少時容易過擬合，資料極多時反而因為不受假設限制而能學到更多。

### 幾個關鍵演進

| 架構 | 貢獻 |
| --- | --- |
| LeNet | 最早的實用 CNN，用於手寫數字辨識 |
| AlexNet | 2012 年 ImageNet 大幅領先，帶起深度學習浪潮 |
| VGG | 證明用小卷積核疊深比用大卷積核有效 |
| ResNet | 殘差連接解決深層網路難訓練的問題，讓網路能疊到上百層 |
| EfficientNet | 系統性地平衡深度、寬度、解析度三個維度 |

> **殘差連接是其中影響最深遠的一個。** 它讓梯度可以跳過中間層直接往回傳，解決了「網路疊得越深反而越差」的退化問題。這個設計後來被 Transformer 沿用，現在幾乎所有深層架構都有它。

### 情境判斷

> **Q1（直覺題）：** 你想做圖片分類，CNN 通常是合理選擇嗎？
>
> → 是，因為它天生適合抓圖像的局部與空間關係。
>
> **Q2（判斷題）：** 只要是神經網路，就一定是 CNN 嗎？
>
> → 不是。CNN 只是神經網路的一種架構，還有 RNN、Transformer 等其他類型。

### iPAS 考題

> **Q：CNN 在 iPAS 常怎麼考？**
>
> → 通常會考卷積核、特徵提取、參數共享、池化與影像分類應用。
>
> **Q：為什麼這題常考？**
>
> → 因為它是電腦視覺的核心模型，也最能看出你有沒有理解局部特徵與參數效率。

### 常見問題

> **Q：卷積是不是只用在圖片？**
>
> 不是，也能用在音訊、文字和其他結構化資料上。
>
> **Q：池化一定要用嗎？**
>
> 不一定，但它常用來縮小特徵圖和提升平移穩定性。
>
> **Q：CNN 還重要嗎？**
>
> 很重要，尤其在很多視覺前處理和嵌入式場景中仍然常見。

### 相關術語

> - **電腦視覺**：CNN 最主要的應用領域
> - **深度學習**：CNN 是它的重要架構之一
> - **批次正規化**：常和 CNN 一起用來穩定訓練
> - **遷移學習**：很多 CNN 模型會直接拿來微調
> - **圖像生成**：理解 CNN，有助於看懂視覺模型的演進

---

來源：https://aiterms.tw/terms/convolutional-neural-network
快查頁：https://aiterms.tw/terms/convolutional-neural-network
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-convolutional-neural-network