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》
26/100 第三週：📌 卷積神經網路 CNN
26.CNN 模型架構範例 🏛 LeNet、AlexNet 到 ResNet！
當我們談到 卷積神經網路（CNN） 的演進時，第 26 單元的主題 ——
🔹 《CNN 模型架構範例：LeNet、AlexNet 到 ResNet》
正是深入理解深度學習發展脈絡與實務應用的黃金切入點！🏛
________________________________________
🧭 一、LeNet-5（1998）—— CNN 的啟蒙架構
📌 作者：Yann LeCun
📌 應用：手寫數字識別（MNIST）
🧱 結構：
• Input: 32x32 灰階圖
• C1: 卷積層 (6 個 5x5 filters)
• S2: 平均池化層
• C3: 卷積層 (16 個 filters)
• S4: 平均池化層
• FC5: 全連接層
• Output: 10 類 Softmax
🔍 特色：
• 使用池化來降維
• 是第一個真正實用的 CNN，奠定了基礎架構
________________________________________
🧠 二、AlexNet（2012）—— CNN 的現代革命
📌 作者：Alex Krizhevsky 等人
📌 應用：ImageNet 圖像分類挑戰（ILSVRC）
🧱 結構亮點：
• Input: 224x224x3 RGB 圖
• 使用 ReLU 激活函數
• 引入 Dropout 避免過擬合
• 使用 GPU 加速訓練（雙 GPU）
• 包含 5 個卷積層 + 3 個全連接層
🔍 成就：
• Top-5 錯誤率從 26% → 15%
• 揭開深度學習黃金十年的序幕
________________________________________
🏗 三、ResNet（2015）—— 深度網路的革命性突破
📌 作者：Kaiming He 等人（微軟研究院）
📌 應用：ImageNet 冠軍（Top-5 錯誤率 < 3.6%）
🧱 結構創新：
• 引入 殘差連接（Residual Connection）
• 解決深層網路容易退化（degradation）的問題
• 常見版本：ResNet-18、ResNet-34、ResNet-50、ResNet-101...
🔍 Residual Block 示意：
Input → [Conv → BN → ReLU → Conv → BN] + Input → ReLU
✅ 核心思想：讓網路學「殘差」而非整個映射函數
________________________________________
📊 四、架構演進圖（摘要比較）
這三個經典卷積神經網路模型代表了深度學習發展的關鍵里程碑。LeNet-5（1998） 是深度學習的啟蒙之作，以七層架構成功應用於手寫數字辨識（MNIST）；AlexNet（2012） 則透過引入 ReLU 激活函數與 Dropout 正則化，並採用雙 GPU 訓練，於 ImageNet 賽事奪冠，掀起深度學習革命；ResNet-50（2015） 則開創性地提出殘差學習機制，使得深度達 50 層以上的神經網路也能穩定訓練，顯著降低 ImageNet 的分類錯誤率，成為現代深度模型的核心基礎之一。
________________________________________
✨ 小結與啟示：
✅ LeNet 是出發點，讓機器會「看圖」
✅ AlexNet 是爆發點，開啟現代深度學習浪潮
✅ ResNet 是轉捩點，讓深度學習能真正「深入」
這些架構不只是模型，也反映了 電腦視覺與硬體發展的里程碑，理解它們有助你日後設計自己的 CNN 模型！
