CNNLego

架構搭建指南

搭建 CNN 架構時，我們通常不會從最基礎的 算子 一個個疊加，而是設計或挑選幾種不同用途的 Block，再透過堆疊組合來完成整體架構。

這些 Block 依據功能，大致可分為兩類：

• 不改變特徵形狀的 Block：這是 CNN 架構的核心主力，負責學習複雜的特徵變換
• 會改變特徵形狀的 Block：主要負責特徵的銜接與降維，透過調整 H、W、C 以控制模型的參數量與計算量，通常不是模型能力的核心所在

自己從頭設計一個 Block，往往比堆疊現成的 Block 困難許多——需要同時考量 算子 的各種參數設置、性質差異、特徵尺度變換，以及 Block 彼此之間的搭配效果等……

因此，這裡整理了各種經典 Block，讓你能夠快速組建模型，而無需重頭煩惱 Block 內部的交互搭配。

💡 快速介紹

• 「維度變換類」以外的所有 Block，都屬於不改變特徵形狀的變換主力。
• 「維度變換類」的前兩個 Block，用於調整通道數量。通道 C 越多，模型能學習到的特徵種類越豐富，但參數量與計算量也會隨之增大。
• 「維度變換類」的後四個 Block，用於下採樣，也就是縮減特徵的 H、W 尺寸。特徵的 H、W 尺寸越大，能捕捉的細節越豐富，但計算量呈幾何級數增長。因此，一個常見的原則是：在特徵的 H、W 尺寸較大時，避免堆疊過多 Block，以平衡效能與計算成本。

每個 Block 旁邊都有 ? 圖示，點擊後可取得更詳細的說明。

建議你嘗試替換不同的 Block 組合，親身感受各種 Block 的特性與效果差異。多數情況下，重頭搭建 CNN 時所選用的 Block，也都會從這些經典組合中挑選，因此花時間實際搭配、比較，是學習 CNN 非常重要的一環。

訓練完成後，系統會在 run_output 資料夾下生成一份 JSON 日誌。你可以在 CNNLego 主頁面選擇「日誌分析」，上傳該日誌後即可查看本次訓練的詳細數據，幫助你更具體地掌握訓練狀態。