解析：
CNN 的核心優勢是處理具有空間結構的資料，特別是影像。從倉庫監視器影像辨識貨架缺貨並標示位置，是典型的影像辨識/物件偵測任務，最適合使用 CNN。
搜尋意圖： 如果你在找「卷積神經網路 是什麼」、「卷積神經網路 會怎麼考」或「卷積神經網路 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 專門處理圖像的神經網路，用小窗口（卷積核）掃過圖片提取局部特徵，參數共享大幅減少計算量
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
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
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 卷積神經網路 | 台灣正式用語 |
| 卷积神经网络 | 簡體寫法 |
| Convolutional Neural Network | 英文原名 |
| CNN | 標準縮寫，注意這個縮寫也是美國有線電視新聞網的名稱 |
| ConvNet | 論文與程式碼裡常見的簡稱 |
三個核心組成
卷積層（convolution）：用一個小的濾波器在影像上滑動做內積，抓出邊緣、紋理這類局部特徵。同一個濾波器在整張圖共用同一組權重，這叫權重共享，是 CNN 參數量遠小於全連接網路的原因。
池化層（pooling）：把區域內的值取最大或平均，降低解析度、擴大感受野、並提供一點位移容忍度。
全連接層：最後把特徵攤平接分類頭。近年很多架構改用全域平均池化取代它，參數更少也更不容易過度擬合。
疊起來之後會出現一個層級結構：淺層學邊緣與顏色，中層學紋理與零件，深層學物件層級的概念。 這個由簡到繁的結構不是人設計的，是訓練自己長出來的。
兩個內建假設
CNN 的效果來自兩個寫進架構裡的假設：
局部性：有意義的圖案是局部的，判斷一個像素屬於什麼，主要看它附近的像素。
平移不變性：一隻貓移到畫面另一邊還是一隻貓，所以同一組濾波器在整張圖都適用。
這兩個假設叫做歸納偏置（inductive bias）。它們讓 CNN 在資料量不大的時候就能學得好，因為模型不需要從零學會這些常識。相對地，視覺 Transformer 幾乎沒有這些假設，資料少時容易過擬合，資料極多時反而因為不受假設限制而能學到更多。
幾個關鍵演進
| 架構 | 貢獻 |
|---|---|
| LeNet | 最早的實用 CNN，用於手寫數字辨識 |
| AlexNet | 2012 年 ImageNet 大幅領先，帶起深度學習浪潮 |
| VGG | 證明用小卷積核疊深比用大卷積核有效 |
| ResNet | 殘差連接解決深層網路難訓練的問題，讓網路能疊到上百層 |
| EfficientNet | 系統性地平衡深度、寬度、解析度三個維度 |
殘差連接是其中影響最深遠的一個。 它讓梯度可以跳過中間層直接往回傳，解決了「網路疊得越深反而越差」的退化問題。這個設計後來被 Transformer 沿用，現在幾乎所有深層架構都有它。
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
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。
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。
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。
範例考題
某物流公司想導入 AI 以提升營運效率，評估不同資料型態與模型架構。下列哪一種應用情境最適合採用卷積神經網路（Convolutional Neural Network, CNN）作為主要模型架構？
- A. 依據包裹每日掃描紀錄的時間序列，預測下週各倉庫的進貨量波動
- B. 根據客服對話逐句內容的先後順序，判斷客訴是否可能升級為申訴案件
- C. 根據倉庫監視器影像，自動辨識貨架是否缺貨並標示缺貨區域位置 ✓ 正確答案
- D. 依據車隊 GPS 路徑點的連續軌跡，預測下一段可能行駛路線