每天五分钟深度学习pytorch：基于LeNet算法模型完成手写字体识别

本文重点

LeNet是我们要介绍的第一个经典的卷积神经网络模型，它是一种用于手写体字符识别的非常高效的卷积神经网络。它是卷积神经网络的祖师爷LeCun在1998年提出，它将CNN的最基本的架构就定下来了：卷积层、池化层、全连接层。

它的算法模型的效果图为：

本文我们讲解基于LeNet完善的LeNet-5，它和原始的LeNet有些许不同，比如把激活函数改为了现在很常用的ReLu。

一张图片经过卷积核大小为5*5，步长为1的卷积层，然后使用2*2步长为2的池化层，然后又使用卷积核大小为5*5，步长为1的卷积层，然后使用2*2的步长为2的池化层，然后连接一个全连接fc1，然后激活层relu1，然后全连接层fc2，然后最后一个softmax层用于最终的10分类。我们下面看一下手写字体识别的图片经过这个网络的时候，维度信息是怎么变化的：

输入图像是单通道的28*28大小的图像，用矩阵表示就是[1,28,28]

第一个卷积层conv1所用的卷积核尺寸为5*5，滑动步长为1，卷积核数目为20，那么经过该层后图像尺寸变为24，28-5+1=24，输出矩阵为[20,24,24]。

第一个池化层pool核尺寸为2*2，步长2，这是没有重叠的max pooling，池化操作后，图像尺寸减半，变为12×12，输出矩阵为[20,12,12]。

第二个卷积层conv2的卷积核尺寸为5*5，