卷積層 是什麼？
Convolutional Layer：卷積層 的完整解釋
神經網路中利用卷積運算自動提取局部特徵的層級，通過多個小尺寸濾波器滑動掃描輸入數據，能有效減少參數數量並增強空間特徵學習能力。
核心概念
卷積層是現代深度學習的基石，特別是在電腦視覺領域。與全連接層對所有輸入像素進行運算不同，卷積層使用局部感受野（local receptive field）的概念，透過小尺寸的濾波器核心進行區域性計算。每個濾波器學習檢測特定的局部特徵，例如邊緣、紋理或顏色梯度。
卷積運算的數學表示為： Y[i,j] = Σ Σ W[m,n] × X[i+m, j+n] + b
其中 W 是濾波器權重，X 是輸入，b 是偏差項。透過參數共享（parameter sharing），同一濾波器會在整個輸入上重複使用，大幅減少需要學習的參數。
運作原理
卷積層的運作流程分為以下關鍵步驟：
濾波器初始化：創建多個小尺寸（通常 3×3、5×5）的可學習濾波器，每個濾波器對應一種特徵檢測器。
滑動窗口計算：濾波器在輸入上以固定步長（stride）滑動，每次計算濾波器與該位置輸入的點積（element-wise multiplication）並求和。
特徵圖生成：所有位置計算完成後生成特徵圖（feature map），該特徵圖的值表示該位置是否存在該濾波器對應的特徵。
多層堆疊：在深層網路中，早期層檢測簡單特徵（邊緣），中層檢測複合特徵（形狀），深層檢測高階語義特徵（物件部分）。
關鍵參數包括：
- 濾波器數量：決定輸出特徵圖深度
- 濾波器大小：決定感受野大小
- 步長（stride）：濾波器移動的像素數
- 填充（padding）：邊界處理方式
實際應用
卷積層在多個領域展現強大效能：
影像分類：在 ImageNet 等大型圖像數據集上，基於卷積的模型（如 VGG、ResNet、DenseNet）已成為標準方案。
物體檢測：結合區域提案網路（RPN），卷積層幫助檢測框架（如 Faster R-CNN、YOLO）精確定位並分類物體。
語義分割：全卷積網路（FCN）和 U-Net 等架構使用卷積層捕捉像素級語義，實現精細的逐像素分類。
自然語言處理：文本卷積網路在句子分類、機器翻譯等任務中有競爭力的性能。
醫學影像：在 CT、MRI 掃描分析中，卷積層能檢測細微病變特徵。
常見誤區
混淆點積與卷積：卷積層中的運算實際上是點積，真正的數學卷積涉及濾波器翻轉，但在深度學習中這個區別常被忽略。
濾波器學習能力的誤解：並非所有濾波器都能學到有意義的特徵。在訓練不充分或數據不足的情況下，部分濾波器可能學到冗余特徵。
參數共享的限制：參數共享假設同一特徵在輸入的不同位置是可檢測的，但某些任務（如位置敏感的紋理）可能不適用。
計算複雜度的低估：雖然參數更少，但卷積層的計算成本（特別是大尺寸濾波器）仍可能很高。
與相關技術的比較
卷積層 vs 全連接層：全連接層將輸入完全展平並連接到所有輸出神經元，參數數量為 O(n×m)。卷積層透過濾波器和參數共享，參數數量僅為 O(k²×c)（k 為濾波器大小，c 為通道數），在處理大型影像時優勢明顯。
卷積層 vs 遞迴層：遞迴層（如 LSTM）處理序列數據，捕捉長期依賴。卷積層專注於局部空間特徵。在視覺任務中卷積層更優，在序列建模中遞迴層更擅長。
標準卷積 vs 深度可分離卷積：深度可分離卷積將標準卷積分解為深度卷積（depthwise）和逐點卷積（pointwise），大幅降低計算量，常用於輕量級模型（如 MobileNet）。
固定濾波器 vs 可適應濾波器：可適應濾波器（如變形卷積）能根據輸入內容調整濾波器形狀，提供更靈活的特徵提取，但計算成本更高。