LeNet网络模型各层及参数解读

最新推荐文章于 2022-11-28 18:55:15 发布

青天白鹭

最新推荐文章于 2022-11-28 18:55:15 发布

阅读量5.7k

点赞数 3

CC 4.0 BY-SA版权

文章标签：深度学习网络

本文链接：https://blog.youkuaiyun.com/u012617944/article/details/71066847

本文详细介绍了LeNet网络模型，包括其结构、各层功能和参数。LeNet由输入层、卷积层（C1, C3, C5）、下采样层（S2, S4）和全连接层（F6）组成。卷积层通过滤波器提取特征，下采样层利用局部相关性减少数据量。通过具体的计算展示了各层的参数数量和连接关系。" 86761405,8250849,Python GUI编程：tkinter Label控件详解,"['Python编程', 'GUI开发', 'tkinter库', 'Label组件']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近开始学习深度学习，先从各种网络模型开始学起！

一、先详细讲解最简单的LeNet网络

（采用最常见的LeNet网络图形和BP算法的求解过程：）
LeNet网络模型框架
1.LeNet-5含输入层共有8层，其中C1，C3，C5为卷积层，S2，S4为降采样层，F6为全连接层，还有一个输出层。每一个层都有多个Feature Map（每个Feature Map中含有多个神经元），输入通过一种过滤器作用，提取输入的一种特征，得到一个不同的Feature Map。
第一层：输入层，输入图像的大小为32*32，这要比mnist数据库中的最大字母（28*28）还大，这样做的目的是希望潜在的明显特征，比如笔画断续，角点等能够出现在最高层特征监测子感受野的中心。
第二层：c1卷积层，卷积运算的作用：通过卷积运算，可以使原信号特征增强，并且降低噪声。
卷积对于二维图像中的效果就是：对于图像中的每个像素邻域求加权和得到该像素点的输出值。c1层有6个5*5大小卷积核，卷积层计算公式，其中K表示从L到L+1层经过卷积运算的一个卷积核的各元素，b表示偏置。
所以c1层参数（5*5+1）6=156个；c1层每个feature map大小（32-5+1）（32-5+1），即28*28个神经元；每个feature map中的每个神经元与输入层的5*5的区域相连，所以对应全连接数（5*5+1）6<