類神經網路（Artificial Neural Network，即為ANN或Neural Network, NN）是一種模仿生物神經網路（動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模型，由於在電腦科學上發展逐漸成熟，進而促使人工智慧新時代的來臨。實際上基本類神經網路的想法早在1940年代便已被提出，並在電腦科學發達的現今重新被重視；其主要方法是使用電腦程序大量模擬神經元傳遞訊號的行為，將所有的資訊輸入後反覆運算與修正；但呆板且大量的運算，即使使用現今最新的電腦科技所運用之硬體結構與運算方式，時間仍然耗費太多，於是在1960年代又有人提出了針對圖片或其他多維度資料型態（如：心電圖）的新神經網路，也就是本文主題卷積類神經網路(Convolutional Neural Network, CNN)。

 

 圖1：CNN用於圖片識別示意圖。（圖片來源：Youtube影音／網址：https://www.youtube.com/watch?v=FmpDIaiMIeA&feature=youtu.be&t=8m20s）

 

卷積類神經網路的設計概念，就是針對資料特性判斷鄰近的資料；以圖1的二維資料型態為例，鄰近的資料就不像文字一樣只有前後方向，而是有上下左右的平面方向。明白這個特性後，就會瞭解到是要對圖片區塊進行分析，而不是將圖片分割成一個畫素一個畫素的作運算，即為以區塊為單位思考，找出圖片中期望的特徵，以圖2為例，即是找出叉或斜線區域，等號的右邊數值越接近1，表示該圖的該區域越像叉或斜線。

 

 圖2：用卷積層運算尋找斜線。（圖片來源：Youtube影音／網址：https://www.youtube.com/watch?v=FmpDIaiMIeA&feature=youtu.be&t=8m20s）

 

 

經過數學的運算後，數值高者表示與特徵越相像，換句話說，我們能得知什麼樣的特徵出現在圖片的什麼位置，以圖3為例，數值越高，即值越接近1，表示該區域與目標特徵越相像。雖然得到位置資訊後便可以直接進行下一步判斷，但實際上其實不需要那麼多的位置資訊，因此衍生出名為池化層的結構。池化層將數值分區化簡，亦即與特徵不相像的區域合併省略，同時精簡勾勒出目標特徵的大略位置（如圖4所示），藉此減少大量不必要的運算，搭配卷積層重覆執行，將圖片去蕪存菁，以圖5為例，原圖為81個畫素，減少成三張小圖12個畫素，才使用傳統類神經網路執行最終的判斷。

 

 圖4：用池化層簡化特徵的位置資料。（圖片來源：Youtube影音／網址：https://www.youtube.com/watch?v=FmpDIaiMIeA&feature=youtu.be&t=8m20s）

 

 

結語

不同於傳統的類神經網路（ANN）採用的是暴力搜尋（Exhaustive Search），因此相當耗時，因為它必須要慢慢的找出所有資料的相互關聯性，同時作學習與判斷；而卷積神經網路（CNN）則加入了區塊的概念，鎖定有區域性質的資料型態，使其運算效能大大提升，不只圖片處理，所有二維的資料，包含2016年最火紅的阿法狗（AlphaGo）也使用相關的技術分析棋盤棋路。二維資料之外，只要有鄰近資料相關性，三維或多維度的資料也都可以使用。包含卷積類神經網路在內，新的類神經網路模型也不斷地被提出及改良，突破各種障礙不斷進步，讓人工智慧得以更加全面，推動的科技不斷向前，讓人類的生活品質更為獲得便利。

 

副總編輯：國立中山大學資訊工程學系 陳坤志教授

總編輯：國立中山大學資訊工程學系 黃英哲教授

（本文由科技部補助｢新媒體科普傳播實作計畫｣執行團隊撰稿）