1、LeNet模型介绍
LeNet是一种CNN模型,整体框架如下图
可以看出LeNet网络结构规模比较小,但包含了卷积层,pooling层,全连接层等CNN网络的基本组件
第一层:输入层是32*32大小的图像,希望字母的一些特征能够出现在最高层特征检测子感受野的中心
第二层:C1层是一个卷积层,6个feature map,5*5大小的卷积核,每个featuremap有(32-5+1)*(32-5+1)即28*28个神经元,每个神经元都与输入层5*5大小的区域相连,于是C1层共有(5*5+1)*6=156个训练参数。两层之间的连接数为156*(28*28)个。通过卷积运算,使原信号特征增强,并且降低噪音,而且不同的卷积核能够提取到图像中的不同特征。
第三层:S2层是一个下采样层,有6个14*14的featuremap,每个featuremap中的每个神经元都与C1层对应的feature中的2*2的区域相连。下采样层的目的是为了降低网络训练参数及模型的过拟合程度。下采样层的池化方式有两种:1、选择Pooling窗口中的最大值作为采样值的叫最大值池化。2、将Pooling窗口中的所有值相加取平均值作为采样值,即均值池化。
第四层:C3层也是一个卷积层,有16个featuremap,每个featuremap由上一层的各