PyTorch 深度学习 || 3. 卷积神经网络 | Ch3.1 LeNet 深度卷积网络的搭建

Mr_LeeCZ

已于 2023-07-29 11:00:54 修改

阅读量419

点赞数

分类专栏： Pytorch 深度学习文章标签：深度学习 pytorch 神经网络

于 2023-05-31 09:13:29 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_40234309/article/details/130953097

版权

Pytorch 深度学习专栏收录该内容

26 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了经典卷积神经网络LeNet-5的结构，包括2个卷积层和3个全连接层。通过PyTorch的nn.Module和nn.Sequential类，展示了如何构建和组织网络，以及使用nn.functional简化层的运算。讨论了直接使用Sequential类和自定义Module类创建网络的不同方法，并解释了如何向模型输入数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度神经网络的搭建

LeNet-5是一种经典的卷积神经网络结构，于1998年投入实际使用中。该网络最早应用于手写体字符识别应用中。普遍认为，卷积神经网络的出现开始于LeCun 等提出的LeNet 网络（LeCun et al., 1998），可以说LeCun 等是CNN 的缔造者，而LeNet-5 则是LeCun 等创造的CNN 经典之作

LeNet5 共有 2 个卷积层和 3 个全连接层组成。为了对应模型输入结构，将MNIST 中的28* 28 的图像扩展为32* 32 像素大小。下面对每一层进行详细介绍。C1 卷积层由6 个大小为5* 5 的不同类型的卷积核组成，卷积核的步长为1，没有零填充，卷积后得到6 个28* 28 像素大小的特征图；S2 为最大池化层，池化区域大小为2* 2，步长为2，经过S2 池化后得到6 个14* 14 像素大小的特征图；C3 卷积层由16 个大小为5* 5 的不同卷积核组成，卷积核的步长为1，没有零填充，卷积后得到16 个10* 10 像素大小的特征图；S4 最大池化层，池化区域大小为2* 2，步长为2，经过S2 池化后得到16 个5* 5 像素大小的特征图；最后三层是全连接层，激活函数使用 sigmoid 函数；最后一层输出层是一个由 10 个神经元组成的 softmax 高斯连接层，可以用来做分类任务。</