【经典卷积网络】LeNet-5网络解析

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，只有图片为单通道。

2.c1层-卷积层

输入图片：32*32

卷积核大小：5*5

步长：1

卷积核种类：6

输出featuremap大小：28*28，计算方法：（32-5+1）/1 = 28

(Input-kernel_size+1)/stride

神经元数量：28*25*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

详细说明：对输入图像进行第一次卷积运算（使用 6 个大小为 5*5 的卷积核），得到6个C1特征图（6个大小为28*28的 feature maps, 32-5+1=28）。参数量，卷积核的大小为5*5，总共就有6*（5*