(Tensorflow之十一）cnn卷积神经网络LeNet-5模型以及卷积核的计算

最新推荐文章于 2022-11-17 02:10:44 发布
最新推荐文章于 2022-11-17 02:10:44 发布
阅读量1.3k 收藏 8
点赞数
CC 4.0 BY-SA版权
分类专栏： AI 文章标签： Tensorflow cnn LetNet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/abiggg/article/details/79029770
本文介绍了卷积神经网络LeNet-5的基本结构和层次功能，详细阐述了卷积层、池化层和全连接层的工作原理。通过对结点数的计算，展示了LeNet-5在Tensorflow中的应用，并提供了源码参考。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、基本结构


二、层次功能

2.1 卷积层(filter)

（1）卷积层主要是用于局部特征的提取。

可以这么简单的理解：图像是由一个个像素点组成的，倘若以每个像素点进行分析，则一方面运算量较大，另一方面，容易陷于过拟合，无法很好的进行预测分析；若将图像分成一个个小块进行分析，则可以获得一些简单的局部特征，不仅可以降低运算量，同时也可避免过拟合；而这一个个小块，我们称之过滤器filter（或感受野）,一般过滤器的大小为1X1、3X3、5X5、7X7。

（2）卷积的前向传播

  • 3x3单通道矩阵卷积3x3的单通道过滤器，结果为单个数值

  • 6x6单通道矩阵卷积3x3的单通道过滤器，步长为1，结果为4x4单通道矩阵；
OutLength = （INLength-FilterLength+1）/Stridelength
OutWidth = （INWidth-FilterWidth+1）/StrideWidth

  • 6x6单通道矩阵卷积3x3的双通道过滤器，步长为1，结果为4x4双通道矩阵；

可知，输出的通道数与过滤器的通道数相同；
OUTchannel = FILTERchannel
  • 6x6双通道矩阵卷积3x3的双通道过滤器，步长为1，结果为4x4双通道矩阵；
最低0.47元/天 解锁文章

200万优质内容无限畅学
【图像分类】卷积神经网络之LeNet5网络模型结构详解
学无止境、积少成多、厚积薄发
02-20 699
LeNet5网络模型结构详解
LeNet-5模型及TensorFlow2.9.0的实现
zz_cry的专栏
06-20 947
LeNet-5模型LeNet-5共5各部分组成，为两个卷积池化组+3个全连接神经网络组成，也可以称做5层神经网络。本文基于LeNet-5模型写了TensorFlow代码实现。
卷积神经网络（一）：LeNet5的基本结构
热门推荐
xuanyuansen的专栏
12-08 9万+
卷积神经网络LeNet5的结构介绍。
深度学习入门——LeNet5模型计算
qingtian_111的博客
04-06 2365
LeNet5 LeNet-5是一个简单地卷积神经网络，可以通过LeNet-5模型来实现MNIST手写体的识别。 LeNet-5模型大致上有两层卷积层，两层池化层，两层全连接层。 操作流程： 1）输入层：输入一张图像（手写体识别的图像一般是黑白的，图像只有单通道），对这张图片先进行数据预处理，使图片的尺寸统一为32x32大小（当然其他大小也可，但图片尺寸不可过大或过小，导致卷积核无法完全提取图像特...
Lenet5参数计算详解
weixin_40993979的博客
02-23 3123
LeNet5 输入层：32×32 C1卷积层： 卷积核大小：5×5 卷积核种类：6 输出特征图大小：28×28 计算公式：32-5+1=28 神经元数量：28×28×6 可训练参数：(5×5+1)×6 (每个滤波器5×5=25个unit参数和一个bias参数，一共6个滤波器) 连接数：(5×5+1）×6×28×28=122304 S2池化层(下采样层)： 输入：28×28 6个(C1中的特征图) 采样区域：2×2 采样方式：4个输.
【pytorch】（七）卷积网络：LeNet-5
weixin_44378835的博客
01-26 2223
文章目录LeNet搭建模型加载数据训练模型完整实现 LeNet 搭建模型 import torch # for all things PyTorch import torch.nn as nn # for torch.nn.Module, the parent object for PyTorch models import torch.nn.functional as F # for the activation function 上图.
卷积神经网络中 LeNet-5 模型的具体实现方法
最新发布
08-14
LeNet-5模型作为早期的卷积神经网络模型之一，它的实现方法奠定了现代卷积网络的基础。通过对LeNet-5模型的深入研究和实现，不仅可以更好地理解CNN的工作原理，还能为构建更复杂的深度学习模型提供宝贵的经验和启示...
深度学习基于卷积神经网络的手写数字识别系统设计：LeNet-5网络结构详解与MNIST数据集应用
05-20
内容概要：本文详细介绍了卷积神经网络（CNN）的基本原理及其在手写数字识别任务中的应用，重点讲解了卷积、池化、全连接层等关键组件的工作机制。文章通过LeNet-5网络结构为例，阐述了如何使用卷积核提取图像特征，...
深度学习之卷积神经网络经典网络LeNet-5简介
bigcindy的博客
06-17 3361
1. LeNet5简介 LeNet5卷积神经网络源于Yann LeCun在1998年发表的论文：Gradient-based Learning Applied to Document Recognition，是一种用于手写数字识别的卷积神经网络。 2. MNIST数据集 MNIST数据集（官网：http://yann.lecun.com/exdb/mnist/）是由Yann LeCun等人收集整理，其目的是用于手写数字识别模型的训练。主要包括了6万张训练图像和1万张测试图像，每张图像大小为28*28的
卷积神经网络（CNN）开山之作——LeNet-5。卷积神经网络基本介绍。
ZZR2631574030的博客
11-17 1万+
LeNet-5诞生于上世纪90年代，是CNN的开山之作，最早的卷积神经网络之一，用于手写数字识别（图像分类任务），它的诞生极大地推动了深度学习领域的发展。LeNet在多年的研究和迭代后，Yann LeCun将完成的这项开拓性成果被命名为LeNet5，并发表在论文《Gradient-Based Learning Applied to Document Recognition》上，如今的AlexNet、ResNet等都是在其基础上发展而来的，在当年是一种用于手写体字符识别的非常高效的卷积神经网络。
LeNet5_LeNet5
09-11
自己搭建了LeNet5网络结构，可以用于练习实现数字手写体识别或者小规模数据集的图片分类
LeNet5卷积神经网络训练参数（精度0.985）
06-06
LeNet5神经网络模型在手写数字识别中的识别率很高，通过训练得到0.985精度的参数，可以用于训练更高精度的初始参数。其中卷积核选择表(O：true， X: false)： { O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, X, O, O, O, X, O, O, O, X, X, O, O, O, O, X, X, O, X, O, O, X, X, O, O, O, X, X, O, O, O, O, X, O, O, X, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O };
【经典卷积网络】LeNet-5网络解析
DawN
05-02 1544
LeNet5网络较小，包含深度学习基本模块：卷积层，池化层，全连接层。 该网络共有7层，不包含输入，每层都包含可训练参数；每个层有多个Feature Map，每个FeatureMap 通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。 各层参数详解： 1.input层 将输入图像的尺寸统一归一化为32*32。该网络一般用于mnist手写数据集，只有...
LeNet-5卷积/池化/全连接参数计算
qq_43168682的博客
10-25 1807
卷积/池化/全连接参数计算 以Lenet-5为例子： LeNet-5有7层： C1.卷积+激励 参数的个数为:(fitler+bias) * channel_depth S2.池化（降低参数量，降低过拟合） C3.卷积+激励 LeNet-5的核心：使用不同channel数量的卷积得到不同的feature map，为了降低计算参数(当时GPU性能不高) 如下:6个3层channel+9个4层...
LeNet-5各层参数变化情况详解
XXT2018的博客
05-14 5847
LeNet-5网络 LeNet-5共有7层（不包含输入），每层都包含可训练参数；每个层有多个Feature Map（特征图），每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。 各层参数： 1、输入层 输入图像的尺寸统一归一化为3232。本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。 2、C1层-卷积层 输入图片：3232 卷积核大小：55 通道数：6 输出featuremap大小：2828 （32-5+1=28） 输出神经
深度学习入门(一)：LeNet-5教程与详解
xiongxyowo的博客
11-21 2万+
1.什么是LeNet LeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。 LeNet： 主要用来进行手写字符的识别与分类 确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到 虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门学习。 2.分析 2.1.LeNet结构 如图所示，LeNet共分为7层，分别是： C1，卷
LeNet-ResNet-AlexNet网络详解
weixin_41744192的博客
04-14 2328
LeNet-AlexNet-VGG-ResNet-DenseNetLeNet LeNet 不计输入层，LeNet-5共有7层，每一层的结构为： 输入层：输入图像的尺寸统一归一化为32*32。 C1层-卷积层 输入图片：3232 卷积核大小：55 卷积核种类：6 输出feature map大小：2828 （32-5+1）=28 神经元数量：28286 可训练参数：（55+1) * 6（每个滤波器55=25个unit参数和一个bias参数，一共6个滤波器） 连接数：（55+1）62828=12230
LeNet-5结构和参数详解
WenjunDing的博客
01-15 2812
Lenet结构和参数分析
卷积神经网络LeNet5结构
修炼之路
11-25 1万+
LeNet5可以说是最早的卷积神经网络了，它发表于1998年，论文原文Gradient-Based Learning Applied to Doucment Recognition作者是Yann Le Cun等。下面对LeNet5网络架构进行简单的说明，有兴趣的同学可以去参考原文，论文原文地址http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf。
TensorFlow实现LeNet-5卷积神经网络：快速达到98.8%准确率
通过包含LeNet-5网络结构、MNIST数据集处理、模型训练与测试流程、保存与加载模型的详细步骤，以及学习率调整策略等多个方面，读者可以进一步了解如何在实际项目中运用TensorFlow进行卷积神经网络的开发。...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值