卷积神经网络之LeNet-5_卷积神经网络 lenet5-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_42104289/article/details/87921351

LeNet-5是经典的卷积神经网络模型，主要用于手写字符识别，包含卷积层、池化层和全连接层。其特点包括权值共享和局部连接，有效提取图像特征。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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.
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，全链接层。是其他深度学习模型的基础.
在这里插入图片描述
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-输入层
首先是数据INPUT层，输入图像的尺寸同一归一化为3232
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。
2.C1层-卷积层
输入图片： 3232
卷积核大小：55
卷积核种类（个数）：6
输出featuremap大小：2828（32-5+1）=28
神经元数量：28286
可训练参数：（55+1)6(每个滤波器55=25个unit参数和一个bias参数，一共6个滤波器）
可连接数：（55+1）62828=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 55 的卷积核），得到6个C1特征图（6个大小为2828的 feature maps, 32-5+1=28）。我们再来看看需要多少个参数，卷积核的大小为55，总共就有6*（55+1）=156个参数，其中+1是表示一个核有一个bias。对于卷积层C1，C1内的每个像素都与输入图像中的55个像素和1个bias有连接，所以总共有1562828=122304个连接（connection）。有122304个连接，但是我们只需要学习156个参数，主要是通过权值共享实现的。