💡一句話定義
處理影像時，全連接網路（FCNN）讓每個像素都連到每個神經元，參數量隨像素暴增、又丟失空間關係；CNN 改用小小的卷積核滑動掃描局部區域、同一套規則掃全圖（參數共享），參數少、效率高、還具平移不變性。
這頁不談卷積怎麼算（那在 CNN 卷積互動頁），而是回答一個更前面的問題：為什麼影像不直接用全連接？
🔍用「放大鏡」來想
🎮互動：全連接爆炸 vs 卷積掃描
點「體驗 FCNN」看 64 條線全部連到一個神經元（而這才一個神經元！）；點「體驗 CNN」看黃色放大鏡如何用同一套規則滑過整張圖。深色方塊是要找的「車輛」。
車輛辨識系統：CNN vs FCNN
請點擊上方的按鈕，看看 AI 是如何觀察一張圖片的！
(深色方塊代表我們要尋找的「車輛」)
(深色方塊代表我們要尋找的「車輛」)
💥參數爆炸：FCNN vs CNN
| 面向 | 全連接 FCNN | CNN |
|---|---|---|
| 連接方式 | 每個像素連到每個神經元 | 卷積核只看局部、滑動掃全圖 |
| 參數量 | 隨像素暴增（百萬像素→天文數字） | 只有一個小核的權重，少很多 |
| 空間結構 | 攤平就丟失 | 保留 |
| 平移不變性 | 幾乎沒有（移位就認不得） | 有（同一套規則掃全圖） |
🎯CNN 的三招（＋池化）
🔬局部感知
一次只看一小塊區域找邊緣／紋理，運算量大減。
一次只看一小塊區域找邊緣／紋理，運算量大減。
♻️參數共享
同一個卷積核掃全圖，規則不變 → 參數極少、效率極高。
同一個卷積核掃全圖，規則不變 → 參數極少、效率極高。
📍平移不變
特徵出現在哪都用同一套規則認得，物體移位仍辨識。
特徵出現在哪都用同一套規則認得，物體移位仍辨識。
🗜️池化降維
對特徵圖降採樣，縮小尺寸、保留重要訊號、增加平移容忍。
對特徵圖降採樣，縮小尺寸、保留重要訊號、增加平移容忍。
🪜為什麼要疊很多層？
單一層只能看到很淺的特徵。堆疊多層後會形成由簡到繁的特徵階層：淺層學邊緣、紋理 → 中層學部件（如車輪、眼睛）→ 深層學完整物件（整台車、整張臉）。這種層層抽象，正是深層 CNN 強大的原因。
✅自我檢測
Q1. 為什麼影像不直接用全連接網路？
全連接讓每個像素都連到每個神經元，參數量隨像素暴增、運算極差，還會攤平丟失空間結構，且物體移位就認不得。CNN 用局部卷積＋參數共享解決這些問題。
Q2. 「參數共享」是什麼意思？為什麼能省參數？
同一個卷積核（一套權重）滑過整張圖，每個位置都用同一套規則，而不是每個位置各學一套。所以參數量只等於一個小核，遠少於全連接。
Q3. 池化層的作用是什麼？
對特徵圖降採樣（如最大池化），縮小尺寸、保留最重要訊號、增加平移容忍度，並降低運算與過擬合。它不學參數。
Q4. 為什麼 CNN 要堆很多層？
層層堆疊形成由簡到繁的特徵階層：淺層邊緣紋理、中層部件、深層完整物件。越深的層能組合出越抽象、越有意義的特徵。
🎯重點整理
- 問題：全連接處理影像 → 參數爆炸、丟空間結構、無平移不變。
- CNN 解法：局部感知＋參數共享，用小卷積核滑動掃全圖。
- 三招：局部感知、參數共享、平移不變（＋池化降維）。
- 多層：邊緣 → 部件 → 物件，層層抽象。
- 結果：參數少、效率高、對影像效果好。