14、卷积神经网络架构全解析

卷积神经网络架构全解析

1. 卷积神经网络架构概述

卷积神经网络（CNN）架构各有优劣，优点包括训练时间短、预测快速准确等，缺点则是对强大硬件依赖较重。下面将详细介绍几种重要的CNN架构，包括它们的起源和可能的工业应用案例。

2. 卷积神经网络架构的演进

2.1 LeNet

LeNet，也被称为lenet - 5，由法国计算机科学家Y. LeCun于1998年首次提出，最初用于文档中手写和机器印刷字符的识别。由于其架构简单小巧，LeNet所需的计算能力和存储权重的内存较少。
- 架构描述 ：
- 输入层：接收32×32像素的灰度图像作为输入，输入图像的像素值被归一化到 - 0.1到1.175之间，以确保均值为0，标准差为1。
- 第一层卷积层：包含6个大小为(5×5)的滤波器，步长为(1×1)，采用“same”填充，输出维度为(28×28)。
- 第二层平均池化层：步长为(2×2)，输出维度为(14×14)。
- 第三层卷积层：与第一层类似，但有16个滤波器，采用“valid”填充。
- 第四层平均池化层：步长为(2×2)，输出16个(5×5)的特征图。
- 第五层卷积层：有120个大小为(5×5)的滤波器，输出大小为(1×1)。若输入图像大于(32×32)，该层输出维度将不是(1×1)，因此定义为卷积层而非全连接层。
- 第六层全连接层：输出84个特征图。

层类型	滤波器大小	步长	填充 </