LeNet是卷积神经网络的早期模型，由lecun等人于1998年提出，主要用于手写数字识别。该模型包含3个卷积层，2个下采样层，以及全链接层和输出层。卷积层和下采样层的结合减少了数据处理量，同时保留关键信息。C1、S2、C3、S4、C5和F6层分别对应不同的特征提取和数据降维，最后通过全连接层输出结果。
卷积神经网络是受到视觉神经系统的神经机制启发而提出的模型，其核心思想在于局部感受野和权值共享。98年lecun等人将卷积层与池化层相结合，建立卷积网络的现代雏形---LeNet.曾被应用于手写数字识别 。原始的LeNet主要特点是将卷积层和下采样层相结合作为网络 的基本结构，其包含3个卷积层和2个下采样层。
在LeNet的原始模型中，输入是 一个矩阵 或图像，大小为32×32.如果不计输入层，那么这个模型共有7层，包含3个卷积层、2个下采样层、一个全链接层和一个输出层。结构如下：
- C1层是第一个卷积层
输入图片：32*32
卷积核大小：5*5
卷积核种类：6
输出特征图：6个28*28（32-5+1）
神经元数量：28*28*6
可训练参数：&
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
