LeNet网络在手写数字识别上的应用（paddle）

最新推荐文章于 2025-09-12 15:29:03 发布

原创

最新推荐文章于 2025-09-12 15:29:03 发布 · 865 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #卷积 #深度学习

本文介绍了LeNet，最早的卷积神经网络之一，用于手写数字识别。网络结构包括3个卷积层、2个池化层和2个全连接层，实现了92.8%的识别准确率。提供了实现代码并总结了实验结果。

写在前面： 我是「虐猫人薛定谔i」，一个不满足于现状，有梦想，有追求的00后
$\quad$
本博客主要记录和分享自己毕生所学的知识，欢迎关注，第一时间获取更新。
$\quad$
不忘初心，方得始终。
$\quad$

❤❤❤❤❤❤❤❤❤❤

LeNet简介

LeNet是最早的卷积神经网络之一，其网络结构如下图所示
在这里插入图片描述
从图中我们可以看到，该网络包含3个卷积层，2个池化层和2个全连接层，LeNet通过连续使用卷积层和全连接层来提取图像的特征，进而达到识别图像的目的。

代码

LeNet网络的实现代码如下

class LeNet(fluid.dygraph.Layer):
    def __init__(self, name_scope, num_classes=1):
        super(LeNet, self).__init__(name_scope)

        self.conv1 = Conv2D(num_channels=1,
                            num_filters=6,
                            filter_size=5,
                            act='sigmoid')
        self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.conv2 = Conv2D(num_channels=6,
                            num_filters=16,
                            filter_size=5,
                            act='sigmoid')
        self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.conv3 = Conv2D(num_channels=16,
                            num_filters=120,
                            filter_size=4,
                            act='sigmoid')
        self.fc1 = Linear(input_dim=120, output_dim=64, act='sigmoid')
        self.fc2 = Linear(input_dim=64, output_dim=num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = self.conv3(x)
        x = fluid.layers.reshape(x, [x.shape[0], -1]