CNN 基礎與概念

講師：顧祥龍 Guffrey / 財團法人人工智慧科技基金會 AI 工程師

我們知道CNN很常用在電腦視覺上，也就是我們期望透過電腦協助進行圖片的分類及處理，CNN也是電腦視覺中相當成熟的技術。

我們會期望電腦看到什麼東西呢？最簡單的是「認識圖片」，所以首先要跟大家介紹圖片在電腦眼裡，他的組成是什麼樣子。我們知道，人類對於圖片有厲害的辨識及認知能力，因此要先了解人類是怎麼認知一張圖片的，這樣之後在做演算法設計的時候，可以更貼近人類的思考方式。

CNN，也就是卷積神經網路（Convolutional Neural Networks），接著就要了解評估指標，才能了解訓練好的模型能不能被使用。

假設將一張肉眼可見的224 x 224的彩色圖片，輸入到電腦中，電腦是怎麼理解的呢？電腦會將這張圖片拆成三種顏色，也就是我們所說的三原色：紅、綠、藍。拆成三原色之後，每個位置都會對應到一個數字，而這個數字又有個專有名詞叫做：pixel value（像素點），這個像素點的值會介於0~255間，人眼所見的顏色其實就是這三原色的值所組合而成，也就是在電腦世界中的圖片組合不是224 x 224，而是（224,224,3）這個3就是RGB的色彩通道。灰階圖片則是透過RGB分別呈上對應的數值，進行加總。彩色、灰階及黑白圖片都是視覺處理中常處理到的圖片。

人類如何認識一張圖片？

當人類看到一張皮卡丘的圖片，又是如何知道這是皮卡丘呢？有可能是皮卡丘的眼睛、嘴巴或腮紅等關鍵部位，這是因為人類已經先認知道這些關鍵部位，當他們下次再看到這些關鍵部位時，隨即可以認出。這些關鍵部位在電腦視覺中有個關鍵術語：「局部特徵」，因此，我們希望電腦也能認識這些局部特徵。

但是如何讓電腦學習這些局部特徵？因此我們利用一個小框框（filter）掃描圖片，當掃描到重要的特徵時，數值就會變大，不重要的數值就會很小。掃描後的數值又稱為feature map。

關於卷積神經網路架構

這裡有幾個重要的步驟：

當一張皮卡丘的圖片輸入到電腦中，同樣也會經過幾個步驟，這裡有幾個重要的名詞：

卷積層（Convolution layer）：在CNN中最重要的用途是提取特徵，有點像是電腦的眼睛，並尋找重要的特徵。
池化層（Pooling Layer）：主要是濾掉不重要的特徵，減少模型參數，防止模型過擬合。常見的Pooling有兩種，一是Max Pooling，另一種則是Average Pooling，各有不同的特性及作用。
攤平（Flatten）：擔任卷積層到全連接層之間的橋樑。主要是將多維的輸入，攤平成一維輸出，進行維度的轉換。

如何評估模型的好壞？

如果已經訓練好一個模型，又該如何向他人證明這個模型是厲害的呢？有哪些指標可以協助判斷嗎？最常使用的指標就是Confusion Matrix，常用於分類問題並衍生出多種不同的指標。當我們要分類的對象大於二，為了判斷模型的分類狀況，就必須要一個類別拆開來看。這裡會先透過以下四個指標進行初步分類，再往下分析：

True Positive：代表模型分類正確，且和我們觀察的目標一樣。
True Negative：代表模型分類正確，但和我們觀察的目標不一致。
False Positive：代表觀察的目標相同，但是模型分類錯誤。
False Negative：代表模型分類錯誤，且和觀察的目標不同。

透過上述的分類之後，才可以更進階的針對不同任務場景進行不同的評估指標：

Accuracy：要特別注意當所有類別數量不均勻的情況下，如果比例差距十分懸殊的話，Accuracy就會不太準確。
Precision：可用「精準打擊，不容失誤」來形容，通常在不容錯誤的情況下會以作為主要評估指標，像是手機臉部解鎖的模型等等應用場景。
Recall：「寧可錯殺，不放過一個」的代表，最常用在需要找出問題的應用中，例如癌症檢測模型。因為不能將有生病的病人判作沒有生病，導致延誤就醫。

有了Precision及Recall的數值後，才能更近一步的計算F1的值。

F1 : 則是 Precision、Recall 的綜合指標，當我們面對的問題並沒有偏好
Precision或是Recall其中一項時，就適合利用F1作為最後評估指標。

總結

當我們輸入一張圖片，利用CNN進行圖片萃取，得到很多無法被送入全連階層運算的Feature map，為了讓這些Feature map可以被送入全連階層運算，所以要透過Flatten將它們拉平，之後就能進行DNN進行分類。以上就是模型的階段。下一步則是利用Confusion Matrix評估模型的好壞。

發現模型的表現不如預期時，就需要回頭修正資料，是不是在分類或歸檔的時候分錯了？修正後再做模型的訓練，再進行評估，直到模型表現被認可，就能說模型訓練好了。