---
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: 2026-04-29
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

### 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：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-convolutional-neural-network