模型介紹

卷積神經網絡（CNN）是一種深度學習架構，通過使用卷積層來自動從數據中學習空間層次的特徵，使其在圖像識別、分類、物體檢測等視覺表現卓越。

卷積層(Convolution Layer)

當我們在做影像辨識時，像素是很重要的關鍵，我們需要從像素中，抓取特徵，除了像素

的值以外，我們還要考慮像素與像素之間的關聯

池化層(Pooling Layer)

池化目的只是在將圖片資料量減少並保留重要特徵的方法，提高計算效率，把原本的資料做一個最大化或是平均化的降維計算。

常見的池化操作有最大池化（MaxPooling）和平均池化（AveragePooling）。

平坦層(Flatten Layer)

將前面卷積層和池化層，產生的多維特徵圖，轉換成一維的向量。
這個一維向量隨後可以被送入到全連接層，進行進一步的處理和分析，進行分類。
全連接層(FullyConnected Layers)

全連接層通常用於模型的最後幾層，負責將學到的特徵映射到最終的輸出，比如分類的類別。