Keras实现LeNet-5网络，并可视化网络结构图

最新推荐文章于 2024-08-17 11:51:16 发布

qqadssp

最新推荐文章于 2024-08-17 11:51:16 发布

阅读量1.4w

点赞数 3

本文链接：https://blog.csdn.net/qqadssp/article/details/70431236

版权

本文介绍了如何使用Keras实现经典的LeNet-5神经网络模型，该模型最初用于MNIST数据集。文章详细说明了模型结构，包括5个卷积和池化层，以及全连接层。模型的输入是32x32的灰度图像，通过一系列卷积、池化操作，最后连接到softmax层进行输出。代码示例展示了如何利用Sequential API构建此模型，并且提到了原始论文中的部分连接在本文中被简化为全连接。

摘要由CSDN通过智能技术生成

模型源自Yann LeCun(1998)的论文《Gradient-Based Learning Applied to Document Recognition》，用于MNIST数据集。模型输入为32X32的灰度图像，第一层为6个5X5卷积核，不扩展边界；第二层为2X2的最大值池化层，步进为2X2；第三层为16个5X5卷积核，不扩展边界；第四层为2X2的最大值池化层，步进为2X2；第五层为展平层，并全连接120个节点；第六层为全连接层，84个节点；第七层为全连接softmax层，输出结果。

原论文中第二层池化层和第三层卷积层之间为是部分连接。本文中并未考虑，而是做成全连接，模型结构如下图所示。

模型采用keras的Sequential实现，源数据分为train和test两个文件夹，每个文件夹下有十个子文件夹，分别方有各数字对应的灰度图。实现代码如下：

import os
import cv2
from numpy import *
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Conv2D, MaxPooling2