AI時代系列(2) 機器學習三部曲: 🔹 第二部：《深度學習 —— 神經網路的革命》
24/100 第三週：📌 卷積神經網路 CNN
24.卷積步長與填充策略 ⛓ 控制輸出尺寸的關鍵！
________________________________________
✅ 為何需要調整「步長」與「填充」？
在 CNN 中，控制特徵圖的空間尺寸（高與寬）非常重要，影響模型深度、計算量與最終輸出形狀。
📌 兩個參數決定特徵圖大小：
• 步長（Stride）：每次滑動的步幅 → 控制「濾鏡移動速度」
• 填充（Padding）：是否在圖像邊緣「補 0」 → 控制「是否邊緣裁切」
________________________________________
🧩 一、步長 Stride
stride = 1 每次滑動 1 格，最大保留特徵訊息 特徵圖尺寸變化最小
stride = 2 每次跳 2 格，快速降維 特徵圖大小約縮小一半
stride > 2 更快速壓縮圖像空間 計算快但可能損失細節
🔧 調整步長可以不使用 Pooling 就達到「空間下採樣」的效果！
________________________________________
🧩 二、填充 Padding
在卷積神經網路中，填充（Padding）類型會影響輸出特徵圖的尺寸與特性。valid 表示不補零，僅在濾鏡能完全套入的區域進行捲積，導致輸出尺寸縮小；same 則會在邊緣補 0，使輸出尺寸與輸入相同，便於多層卷積堆疊，實務中最常使用；causal 是時序資料專用的填充方式，常用於 1D 卷積（如語音、時間序列），可確保模型在每個時間點只使用過去資料，符合因果順序。選擇合適的填充方式，有助於控制模型結構與時間依賴性。
📌 same 可以確保特徵圖在深層網路中尺寸一致，適合 ResNet 等結構。
________________________________________
🔬 計算公式回顧（無 Pooling）
我們可以這樣解釋卷積層的輸出尺寸變化：
在卷積神經網路中，每次使用濾鏡掃描圖像時，輸出的大小會受到以下幾個因素影響：
輸入尺寸：圖像原本有多大（例如 28x28）。
濾鏡大小：一次掃描的區塊有多大（常見是 3x3）。
步長（Stride）：濾鏡每次移動幾格（步長越大，輸出越小）。
填充方式（Padding）：
same：會在圖像邊緣補零，讓輸出和輸入一樣大，方便多層堆疊。
valid：不補零，濾鏡只能掃描能完整套入的區域，輸出會變小。
📌 簡單記憶：
如果使用 same，輸出大小通常不變。
如果使用 valid，輸出大小會略小於輸入。
步長越大，輸出越小。
濾鏡越大，壓縮得越多。
這些設定會影響模型的特徵圖尺寸與運算量，因此設計卷積層時要注意這些參數是否適合你的資料與任務目標。
________________________________________
📦 TensorFlow / Keras 實作：
python
from tensorflow.keras import layers
model = tf.keras.Sequential([
layers.Conv2D(64, (3, 3), strides=2, padding='same', activation='relu'),
layers.Conv2D(64, (3, 3), strides=1, padding='valid', activation='relu')
])
• padding='same' → 輸出尺寸與輸入相同（取決於 stride）
• padding='valid' → 捲積後特徵圖縮小
這段程式碼建立了兩層卷積層的模型，第一層使用 padding='same' 搭配步長 strides=2，表示即使有補零，輸出尺寸仍會因步長大於 1 而縮小一半；第二層則使用 padding='valid'，不補零，會讓特徵圖在卷積後進一步縮小。總結來說，same 可在步長為 1 時保持輸出尺寸不變，而 valid 則會在每次卷積後縮小特徵圖，有助於逐步壓縮空間資訊。
________________________________________
🧠 實際效果視覺對比：
以 28×28 的輸入圖像為例，使用大小為 3×3 的濾鏡，在不同的設定下會有不同的輸出結果：
Padding = same, Stride = 1 ➜ 輸出尺寸：28×28
說明：這是最常見的設定，使用“same”表示在圖像邊緣加上適當的 Padding，使濾鏡滑動後仍可保持與原圖相同的輸出尺寸。適合在保持圖像大小的情況下提取特徵。
Padding = valid, Stride = 1 ➜ 輸出尺寸：26×26
說明：“valid”代表不補零，濾鏡只能在圖像原始區域內滑動，導致每邊都少了一層（因為 3×3 濾鏡無法跨出邊界），所以尺寸減少為 26×26，常用於下採樣或精簡特徵圖。
Padding = same, Stride = 2 ➜ 輸出尺寸：14×14
說明：步伐設為 2 表示濾鏡每次跳兩格滑動，因此尺寸會縮小為原來的一半。這是在保留特徵的同時，快速降低圖像尺寸，提升計算效率。
Padding = valid, Stride = 2 ➜ 輸出尺寸：13×13
說明：此設定同時不補零且步伐為 2，因此除了縮小尺寸外，還因為不補零而導致邊緣資訊損失更多，進一步壓縮圖像尺寸，適合進一步降維與資訊濃縮。
________________________________________
⚠️ 設計提醒：
• 捲積層 越深 → 特徵圖越小 → 留意尺寸不能小於 1
• 多層堆疊時使用 same 可避免尺寸不一致
• 若特徵圖太小再接 Dense 會導致維度錯誤或學不到東西！
________________________________________
🎯 小結與啟示：
✅ 步長控制「移動速度」＝ 特徵圖壓縮速度
✅ 填充決定「邊界保留」＝ 是否會裁切資訊
✅ 兩者配合才能打造靈活、精確又高效的 CNN 結構設計
✅ 要控制計算資源與模型表現，就從這兩個參數開始！
