本文详细介绍了LeNet网络结构，包括输入图片、卷积层（C1、C3）、池化层（S2、S4）、全连接层（F6、Output）。分析了卷积核大小、步长、参数数量、连接数等关键要素，揭示了权值共享如何减少参数，以及池化层的作用。特别指出C3层通过不同组合连接S2层的特征图来提取多样特征。
LeNet网络结构
LeNet结构分析如下：
1.输入层：输入图像尺寸为32 X 32（统一尺寸且是单通道图像）
- 输入图片：3232;
卷积核大小：55；步长为1
输出featuremap大小：2828 （(32-5）/1+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=122304;
有122304个连接，但是我们只需要学习(6（5*5+1）)=156个参数，主要是通过权值共享实现的。 - S2层-池化层，降低网络训练参数以及模型的过拟合程度，主要有最大池化、平均池化
输入：2828;
采样区域：22 ；步长为2
采样方式：4个输入相加，乘以一个可训练参数，再加上一个可训练偏置。结果通过sigmoid
采样种类：6
输出featureMap大小：1414
神经元数量：14146
可训练参数：26（和的权+偏置）
连接数：（22+1）61414
S2中每个特征图的大小是C1中特征图大小的1/4。
4.C3层-卷积层
输入：S2中所有6个或者几个特征map组合
卷积核大小：55；步长为1
卷积核种类：16
输出featureMap大小：1010 ；((14-5)/1+1)=10
C3中的每个特征map是连接到S2中的所有6个或者几个特征map的，表示本层的特征map是上一
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
