C++调用caffe中训练好的LeNet网络识别数字

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