《卷积神经网络》LeNet网络结构快速解读

已于 2022-03-14 17:46:47 修改
阅读量8.2k 收藏 41
点赞数 17
文章标签： cnn 深度学习 计算机视觉
于 2021-11-03 21:37:28 首次发布
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/qq_41897154/article/details/121128067
版权
LeNet-5是一种经典的卷积神经网络，用于手写体字符识别。该网络包含输入、卷积、池化、全连接层，其特点是权值共享和局部连接。C1、S2、C3、S4、C5层层递进，通过卷积和池化操作提取特征，最后通过全连接层输出识别结果。

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

一、基本简介
LeNet-5出自论文Gradient-Based Learning Applied to Document Recognition，是一种用于手写体字符识别的非常高效的卷积神经网络。

基础知识扫盲：

深度学习入门之卷积原理学习扫盲_舒心远航的博客-优快云博客

特殊性

  • 神经元间的连接是非全连接的
  • 同一层中某些神经元之间的连接的权重是共享的（即相同的）

权值共享

使用同一个Kernel

二、LeNet网络的基本结构
LeNet5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。是其他深度学习模型的基础， 这里我们对LeNet5进行深入分析。同时，通过实例分析，加深对与卷积层和池化层的理解。

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，每个Feature Map是通过一种卷积滤波器提取输入的一种特征，然后每个Feature Map有多个神经元。

图中的C5前的Full connection写错了，应该是convolutions. 

各层参数详解：

1、INPUT层-输入层


首先是数据 INPUT 层，输入图像的尺寸统一归一化为32*32。

注意：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。

计算公式：

（1）feature map 的大小是由公式 

 f=lowerbound(\frac{i+2p-k}{s})+1 

决定，其中f是feature map的长/宽大小，i为输入图片的大小，p为填充，k为卷积核大小，s为步长。

（2）神经元数量 = 特征图长*特征图宽*特征图通道数

（3）卷积核种类/个数 =  一个滤波器中卷积核的个数

（4）可训练参数数量  =   

最低0.47元/天 解锁文章
舒心远航
关注
一切皆是映射：卷积神经网络(CNNs)在图像处理中的应用
AI天才研究院
06-28 1219
卷积神经网络（Convolutional Neural Networks，简称CNNs）是深度学习领域中最成功的模型之一，特别是在图像处理任务中表现出色。本文旨在全面介绍CNNs的理论基础、核心组件和实际应用，帮助读者深入理解这一强大的图像处理工具。我们将从基本概念出发，逐步深入到复杂的网络结构和算法实现，最终通过实际的代码案例，展示CNNs在图像分类、目标检测等任务中的应用。背景介绍：阐述文章的目的、范围和预期读者核心概念与联系：介绍CNNs的基本概念和相关理论。
基于Pytorch再次解读LeNet-5现代卷积神经网络
李响
09-22 338
【深度学习】基于Pytorch再次解析LeNet-5网络 文章目录 1 概述 2 卷积神经网络（LeNet） 3 代码实现 4 训练 5 总结 1 概述 LeNet-5是Yann LeCun等人在多次研究后提出的最终卷积神经网络结构，一般LeNet即指代LeNet-5。 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。 1989年，Yann LeC
LeNet网络结构
qq_38162944的博客
02-28 960
模型代码 import torch.nn as nn import torch.nn.functional as F #pytorch tensor的通道排序[batch,channel,height,width] class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__()#继承父类的构造函数 self.conv1 = nn.Conv2d(3, 16, 5)#输入通道3，输出通.
LeNet网络详解
Louie_0的博客
03-02 3469
1998年，LeCun用BP算法训练LeNet5网络，标志着CNN的真正面世。 LeNet-5是一个较简单的卷积神经网络。下图显示了其结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层。 LeNet-5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层，是其他深度学习模型的基础。这里我们对LeNet-5进行深入分析。同时，通过实例分析，加深对与卷积层和池化层的理解。 LeNet-5共有7...
【动手学深度学习】LeNet：卷积神经网络的开山之作
最新发布
qq_46370017的博客
04-09 1166
LeNet 是一种经典的卷积神经网络，是现代卷积神经网络的起源之一。它是早期成功的神经网络；LeNet先使用卷积层来学习图片空间信息，使用池化层降低图片敏感度，然后使用全连接层来转换到类别空间。
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。
DAY3：LeNet网络架构简介
weixin_52121118的博客
08-10 3466
一、LeNet介绍 LeNet5诞生于1994年，是最早的卷积神经网络之一，是Yann LeCun等人在多次研究后提出的最终卷积神经网络结构，是一种用于手写体字符识别非常高效的网络。一般LeNet即指代LeNet-5。LeNet网络包括了深度学习的基本模块：卷积、池化、全连接层。 二、LeNet网络架构 LeNet-5由七层组成（不包括输入层），每一层都包含可训练权重。通过卷积、池化等操作进行特征提取，最后利用全连接实现分类识别，下面是他的网络结构示意图： C：卷积层 S：池化层 F：全连接
【深度学习】卷积神经网络发展史从LeNet到AlexNet
Nieson2012的专栏
11-11 2791
本文主要讨论CNN的发展，并且引用刘昕博士的思路，对CNN的发展作一个更加详细的介绍，将按下图的CNN发展史进行描述： 上图所示是刘昕博士总结的CNN结构演化的历史，起点是神经认知机模型，此时已经出现了卷积结构，经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等手工设计的特征盖过。随着ReLU和dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年迎来了...
卷积神经网络的实现框架：TensorFlow与PyTorch
AI天才研究院
10-08 1065
卷积神经网络的实现框架：TensorFlow与PyTorch 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来
LeNet的详细网络结构
zhongshaoyy的博客
11-14 6155
针对MNIST的LeNet结构如下图所示：包含2个卷积层，2个max池化层，2个全连接接层和1个relu层与一个softmax层。 下面我来推导一下每层的神经元数目和参数的个数。 1、输入层：输入层输入一个28*28的图片。 2、卷积层1：该层使用20个5*5的卷积核分别对输入层图片进行卷积，所以包含20*5*5=500个参数权值参数。卷积后图片边长为(28-5+1)
LeNet详解
1
08-06 9万+
       LeNet-5是一个较简单的卷积神经网络。下图显示了其结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层。关于CNN参见：https://blog.youkuaiyun.com/qq_42570457/article/details/81458077        LeNet-5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池...
【深度学习经典网络架构—1】：LeNet（附Keras实现）
王乐予的博客
12-15 6745
目录一、网络简介二、网络结构2.1 INPUT层（输入层）2.2 C1层（卷积层） 一、网络简介 LeNet是一个用于手写体字符识别非常高效的网络！ 作者Yan LeCun于1998年提出该网络，也是后续各大神经网络的伊始！ 论文链接：Gradient-based learning applied to document recognition 二、网络结构 图像经过LeNet的处理过程如下： LeNet共有7层（不包括输入层）：卷积层—池化层—卷积层—池化层—卷积层—全连接层—全连接层 别看LeNet
【深度学习】LeNet网络架构
高朗的博客
09-21 1797
LeNet模型
卷积神经网络（LeNet）
qq_24951479的博客
04-25 2865
卷积神经网络（Convolutional Neural Network，CNN）是一种深度神经网络，广泛应用于图像处理、自然语言处理等领域。LeNet是最早的卷积神经网络之一，由Yann LeCun等人在1998年提出，用于手写数字的识别。本文将介绍LeNet的结构、原理和实现。本文介绍了LeNet的结构、原理和实现，LeNet是卷积神经网络的基础，其结构简单、效果明显，是深度学习入门的良好选择。
卷积神经网络——LeNet网络
m0_62249876的博客
10-10 637
LeNet网络是一种经典的卷积神经网络(Convolutional Neural Network，CNN)，由Yann LeCun等人于1998年提出，LeNet的设计初衷是用于识别手写数字的邮政编码和地址。在LeNet中，最终使用softmax激活函数将网络的输出映射为类别概率，选择其中概率最大的选项作为分类结果。图1 LeNet网络结构。
CNN学习（二）-LeNet网络结构的学习
jmhIcoding
09-03 1980
LeNet简介LeNet神经网络由深度学习三巨头之一的Yan LeCun提出，他同时也是卷积神经网络 (CNN，Convolutional Neural Networks)之父。LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入了使用。LeNet的实现确立了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，例如卷积层、池化层。虽然LeNet早在20世纪90年代就已
经典网络架构学习-LeNet
一璐有你的专栏
07-14 2161
前言 说起深度学习目标检测算法，就不得不提 LeNet- 5 网络。LeNet-5由LeCun等人提出于1998年提出，是一种用于手写体字符识别的非常高效的卷积神经网络。出自论文《Gradient-Based Learning Applied to Document Recognition》 网络结构 输入 → 卷积 → 池化 → 卷积 → 池化 → 卷积（全连接） → 全连接 → 输出 整个 LeNet-5 网络总共包括7层（不含输入层），分别是：C1、S2、C3、S4、C5、F6、OUTPUT。注意：
评论
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