卷積神經網路（Convolutional Neural Networks）是深度學習領域的發展主力，它也被稱為 CNNs 或 ConvNets， 電腦視覺這領域是因為CNN的關係在近幾年有了許多重大進展， CNN 在影像辨識中甚至可以超越人類辨識的精準度。

它是一個很直觀的演算法，概念跟人類以眼睛去辨識有模擬相似之處。以下可以分為四個部分來介紹，分別是填白（padding）、stride 步長、池化（pooling）以及卷積（convolution）。

Google首席執行長Sundar Pichai：「設計神經網路相當耗時，它對專業知識有極高要求，使得只有少數科研人員和工程師才能參與設計。這就是我們創建AutoML方法的原因，有了它，神經網路也可以設計神經網路。」

Pichai所說的使用「神經網路也可以設計神經網路」就是神經網路結構搜尋；通常使用強化學習或進化演算法來設計新的神經網路結構。

神經網路的基本思想是模擬計算機「大腦」中多個相互連接的細胞，這樣它就能從環境中學習，識別不同的模式，進而做出與人類相似的決定。

以下針對神經網路與深度學習發展的幾大重要趨勢進行說明，因為深度學習發展非常快速，本文是2016至2019年的發展趨勢說明，後續仍可能有更多的發展趨勢。

同屬裕隆集團旗下的裕信與裕新汽車，以日系品牌車的銷售服務，在大台北地區以及竹苗地區擁有相當雄厚的基礎。
以汽車銷售與保修為主要業務的他們，同樣也面臨職場教育訓練的問題，不管是資深業務如何將自身經驗轉化並傳授給新進業務，或是技術人員如何在有限時間內快速的了解新技術、新功能，如果都仰賴資深員工一個一個教，不僅耗時費力，分散在不同地點的營業單位在訓練的品質與相關數據上也較難以掌控。

深度學習創造出各種模型，其中許多人會納悶DNN、CNN、RNN這幾個網路有什麼不同？作用差別為何？彼此之間的關係？

以下將簡單針對網路、應用場景，來介紹主流的4種神經網路。

鑑於數位轉型對產業發展的需要，政府正陸陸續續推出許多推動產業數位轉型的補助計畫，在此同時，許多促進數位轉型的協會也如春筍般迸出，部分法人也開始將部門改為數位轉型處，希望集中火力協助企業轉型升級。一時之間，數位轉型成為顯學，大家碰面的第一句話都在問？貴公司開始數位轉型了嗎？

我們樂見各界對於數位轉型的重視，也希望這些行動真的能夠產出效果。而若這些行動，能夠進一步分工整合，相信對企業界會有更大的幫助，也能減少產業界摸索的時間。

觀察目前產業進行數位轉型的困難在於以下幾個瓶頸：其一是對於數位科技及轉型策略的不瞭解；其二是瞭解了，但不知如何做？想要做，卻不知如何評估ROI？最後的挑戰是，很想做，沒人也沒錢做。