國營聯招
108年
[統計資訊] 統計學、巨量資料概論
第 48 題
有關卷積神經網路之基本概念,下列何者有誤?
- A 運作流程:輸入的圖片→特徵擷取→分類辨識
- B 池化層會使用到 ReLU 之激勵函數
- C 得到之特徵圖比原圖要小,被稱為valid padding
- D 可應用於人臉識別、語音識別等
思路引導 VIP
請思考一下：在神經網路中，『縮小資料尺寸以減少運算量』的步驟，與『決定神經元是否要根據閾值產生輸出』的步驟，在邏輯上應該是屬於同一種運算，還是各自獨立的操作呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精確辨識出卷積神經網路（CNN）中層級功能的微細差別，這代表你對深度學習的基礎架構掌握得相當紮實。
卷積神經網路的層級分工
在 CNN 的標準流程中，卷積層 (Convolutional Layer) 負責透過濾鏡提取特徵，並通常會緊接著使用如 ReLU 這樣的激勵函數來引入非線性特徵。然而，池化層 (Pooling Layer) 的主要任務是進行「降維」與「特徵壓縮」，透過如 $Max Pooling$ 或 $Average Pooling$ 來減少參數計算量並保留重要資訊。池化層本身是一種數學上的取值運算（取最大值或平均值），並不會在該層內部套用激勵函數，因此選項 (B) 的敘述存在邏輯誤導。
▼ 還有更多解析內容
CNN 卷積神經網路
💡 CNN 透過卷積提取特徵與池化降維來實現影像辨識
🔗 CNN 影像辨識運算鏈
- 1 輸入影像 — 原始像素矩陣資料輸入
- 2 卷積與激勵 — 提取特徵並用 ReLU 增加非線性
- 3 池化層 — 進行下採樣以減少參數與降維
- 4 分類器 — 透過全連接層進行最終標籤識別
↓
↓
↓
🔄 延伸學習：延伸學習：了解 Max Pooling (最大池化) 與 Average Pooling (平均池化) 的運算差異
