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》
25/100 第三週：📌 卷積神經網路 CNN
25.多通道輸入與多濾鏡輸出 🎨 處理彩色圖像必備技巧！
當我們進入深度學習中處理彩色圖像的實務應用時，第 25 單元的主題 「多通道輸入與多濾鏡輸出原理」 正是理解卷積神經網路（CNN）如何提取豐富圖像特徵的關鍵！
________________________________________
🔍 一、為什麼需要多通道輸入？
彩色圖像通常具有三個通道：
Red（紅）、Green（綠）、Blue（藍），簡稱 RGB。
每個通道都是一張灰階圖片，表示該顏色的強度。
📌 例如：
一張大小為 32x32 的彩色圖像，其輸入尺寸為：
Input Shape = (32, 32, 3)
👉 表示高度32，寬度32，通道數為3（R/G/B）
________________________________________
🧠 二、CNN 的多通道卷積原理是什麼？
CNN 中的每一個濾鏡（Filter 或 Kernel）也需要有相同的通道數，才能與輸入進行卷積操作。
📌 如果輸入是 3 通道（RGB），那麼每個濾鏡也是 (k, k, 3) 的三維結構。
對每個通道分別進行卷積，然後把結果 加總（element-wise 相加），得出該濾鏡在此位置的輸出值。
________________________________________
🖼 三、多濾鏡輸出的概念？
在 CNN 中，我們不只使用一個濾鏡，而是同時使用多個濾鏡來提取不同類型的特徵。
📌 假設我們有 32 個濾鏡，每個濾鏡都會輸出一張 Feature Map（特徵圖），因此：
Output Shape = (H, W, 32)
👉 表示輸出有 32 個通道（每個濾鏡一張圖）
________________________________________
✅ 四、總結重點公式：
如果：
• 輸入圖像大小為：H x W x C_in
• 使用 K 個濾鏡，每個濾鏡大小為 k x k x C_in
• 則輸出特徵圖大小為：H_out x W_out x K
這樣的多濾鏡架構能夠捕捉到圖像中多種層次的特徵（邊緣、紋理、形狀...等）。
________________________________________
✨ 實務舉例：
以 TensorFlow/Keras 示範：
python
from tensorflow.keras.layers import Conv2D
# 假設輸入為 RGB 彩色圖像 (64x64x3)
# 使用 32 個濾鏡，每個濾鏡大小為 3x3
conv = Conv2D(filters=32, kernel_size=(3,3), input_shape=(64,64,3))
這行程式碼建立了一個卷積層 Conv2D，設定 32 個 3×3 濾鏡（filters=32, kernel_size=(3,3)），輸入影像尺寸為 64×64、3 個通道（RGB 彩色圖）。這層會從輸入圖像中自動學習局部特徵，如邊緣、紋理，並輸出 32 張對應的特徵圖，作為後續深層網路的輸入。
________________________________________
🎯 小結與啟示：
✅ 多通道輸入 = 把彩色圖像的每個通道當作獨立層看待
✅ 多濾鏡輸出 = 抽取多層次、不同性質的特徵
✅ 是 CNN 能夠處理複雜圖像分類任務的關鍵技術！
