科技新知

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。

當我們開始進入深度學習世界時，最常會想知道的就是，到底要挑選哪一種框架來入門？

目前在最大的開源社群Github上，可已找到20種星星數超過一千的深度學習框架，而排名第一的TensorFlow更有將近10萬個星星，可以得知，深度學習受到大家關注當選擇深度框架時，我們能從以下幾個面向來考慮，將分別介紹。

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。

在先前Q30什麼是特徵工程？為大家說明了什麼是特徵工程，及進行 特徵學習的六大問題， 它對資料科學家來說，預測模型是使用統計模型預測未來結果的作法，現在在AI領域相當盛行。成功的預測模型的基礎，就叫做「特徵工程」（Feature Engineering），它是資料科學流程中最耗費時間的步驟，涉及許多測試、錯誤。

特徵工程的目的是從原始特徵空間中選擇少量的相關特徵作為資料的表示。
而現在的深度學習技術強調的是從原始資料中直接學習有效的資料表示，並且在很多工上取得了很好的效果。
那麼是不是能進一步解讀，有了深度學習就不用再執行特徵工程了呢？答案當然是否定的。

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。

「深度學習是讓機器模擬人腦的運作方式，進而和人類一樣具備學習的能力。」，會這麼解釋是因為深度學習中，人類提供的函數集是由類神經網絡（artificial neural network）的結構所定義。

「簡單說，深度學習就是一個函數集，如此而已。」 類神經網絡和人腦確實有幾分相似之處，我們都知道人腦是由神經元（neuron）所構成，類神經網絡也是由「神經元」連接而成。

類神經網路是指一堆函數的集合，我們丟進一堆數值，整個網路就輸出一堆數值，從其中找出最好的結果，也就是機器運算出來的最佳解。