LeNet

原创已于 2025-05-07 08:23:11 修改 · 1k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#dnn

于 2025-05-07 01:27:35 首次发布

yolov5/7 专栏收录该内容

5 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

LeNet

前言
LeNet
1. LeNet 的架构
2. LeNet 的关键特点
3. LeNet 的优点
4. LeNet 的缺点
5. LeNet 的应用场景
6. LeNet 的 PyTorch 实现
7. 总结
来自

前言

2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构，而GoogLeNet则做了更加大胆的网络结构尝试，虽然深度只有22层，但大小却比AlexNet和VGG小很多，GoogleNet参数为500万个，AlexNet参数个数是GoogleNet的12倍，VGGNet参数又是AlexNet的3倍，因此在内存或计算资源有限时，GoogleNet是比较好的选择；从模型结果来看，GoogLeNet的性能却更加优越。

实现pytorch实现GoogLeNet（CNN经典网络模型详解）

LeNet

LeNet 是一种经典的卷积神经网络（CNN），由 Yann LeCun 等人在 1990 年代初提出，主要用于手写数字识别任务（如 MNIST 数据集）。LeNet 是最早的卷积神经网络之一，奠定了现代深度学习的基础。以下是 LeNet 的详细解析：

1. LeNet 的架构

LeNet 的原始版本（LeNet-5）包含 7 层，其中包括 2 个卷积层、2 个池化层、2 个全连接层和一个输出层。以下是 LeNet-5 的具体架构：
在这里插入图片描述

2. LeNet 的关键特点

卷积层

卷积核：LeNet 使用了小尺寸（5×5）的卷积核，能够提取局部特征。
多通道输出：通过多个卷积核，LeNet 能够提取多种特征，增加了模型的表达能力。

池化层

最大池化：LeNet 使用了最大池化操作，减少了特征图的空间维度，同时保留了重要特征，提高了模型的鲁棒性。

全连接层

特征转换：全连接层将卷积层提取的局部特征组合成全局特征，用于分类或回归任务。
输出层：最后一个全连接层输出分类结果，通常使用 Softmax 激活函数将输出转换为概率分布。

激活函数

LeNet 使用了 Sigmoid 或 Tanh 激活函数，这些激活函数能够引入非线性特性，使得网络能够学习复杂的模式。

3. LeNet 的优点

简单高效：LeNet 的结构相对简单，计算量较小，适合在资源受限的设备上运行。
开创性：LeNet 是最早的卷积神经网络之一，为后续的深度学习模型奠定了基础。
鲁棒性：通过卷积层和池化层的组合，LeNet 能够提取鲁棒的特征，对输入图像的平移和缩放具有一定的不变性。

4. LeNet 的缺点

模型容量有限：LeNet 的结构较浅，参数数量较少，难以学习到复杂的特征，对于更复杂的任务（如大规模图像分类）性能有限。
过拟合风险：由于模型容量有限，LeNet 在大规模数据集上容易过拟合。

5. LeNet 的应用场景

LeNet 最初是为手写数字识别任务设计的，特别适用于 MNIST 数据集。它也可以用于其他简单的图像分类任务，但随着任务复杂度的增加，其性能可能会受到限制。

6. LeNet 的 PyTorch 实现

以下是一个使用 PyTorch 实现的 LeNet-5 模型的代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        # 卷积层
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5)  # 输入通道数为1，输出通道数为6
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5) # 输入通道数为6，输出通道数为16
        # 全连接层
        self.fc1 = nn.Linear(16 * 5 * 5, 120)       # 输入特征数为16×5×5，输出特征数为120
        self.fc2 = nn.Linear(120, 84)               # 输入特征数为120，输出特征数为84
        self.fc3 = nn.Linear(84, 10)                # 输入特征数为84，输出特征数为10（分类结果）

    def forward(self, x):
        # 卷积层 + 激活函数 + 池化层
        x = F.relu(self.conv1(x))                   # 第一个卷积层 + ReLU激活函数
        x = F.max_pool2d(x, 2)                      # 第一个池化层
        x = F.relu(self.conv2(x))                   # 第二个卷积层 + ReLU激活函数
        x = F.max_pool2d(x, 2)                      # 第二个池化层
        # 展平
        x = x.view(-1, 16 * 5 * 5)                  # 将特征图展平为一维向量
        # 全连接层 + 激活函数
        x = F.relu(self.fc1(x))                     # 第一个全连接层 + ReLU激活函数
        x = F.relu(self.fc2(x))                     # 第二个全连接层 + ReLU激活函数
        x = self.fc3(x)                             # 输出层
        return x

# 测试 LeNet 模型
model = LeNet()
print(model)