「特徵擷取」是「從原始數據中提取『對於解決特定任務有用』之特徵或屬性」的過程，在機器學習和深度學習中相當重要。卷積神經網路（Convolutional Neural Network, 以下簡稱CNN）則是常見的特徵擷取工具，其核心概念是模擬人類視覺系統對圖像的處理方式，常用於處理圖像和序列資料。
本文主要探討CNN在布料特徵提取的應用模式，包含如何透過卷積運算提取特徵，並利用池化技術（Pooling）降維（Dimensionality Reduction），以得出預測模型。以丹寧布（Demin）為例，說明將多種特徵轉換成向量、並得出預測模型的過程。透過不斷的調整，可提升模型的準確度，作為如Chat GPT等大型語言模型訓練的基礎。
一、CNN基本觀念介紹
二、透過CNN建立布料的非線性回歸模型
三、結語
參考文獻
圖1 透過卷積擷取與強化特徵值
圖2 ReLU激活函數運作範例
圖3 透過池化將圖的特徵由4 x 4矩陣降為2 x 2矩陣
圖4 調整特徵值權重以取得最佳答案