LeNet-5

最新推荐文章于 2024-09-20 22:08:40 发布

F_123H

最新推荐文章于 2024-09-20 22:08:40 发布

阅读量194

点赞数 1

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/F_123H/article/details/125024471

版权

1 篇文章 0 订阅

订阅专栏

本文主要为学习笔记，如有错误和侵权请联系本人。

输入层(INPUT)：输入是32x32x1的图像
第一个卷积层（C1）：卷积核大小为：5x5，卷积核的个数为：6，滑动步长为：1，经过该卷积层后得到的feature maps为：6@28x28(6个28x28的特征图)。
第一个池化层(S2)：池化层中核的大小为2x2，步长为2，经过该层之后特征图的大小为6@14x14。
第二个卷积层(C3)：卷积核的大小为5x5，卷积核的个数为16，滑动步长为1，经过该层卷积后得到的feature maps为16@10x10。
第二个池化层（S4)：池化层中核的大小为2x2，步长为2，经过该层之后特征图的大小为16@5x5
全连接层1(C5)：该层可以通过120个卷积核组实现，卷积核组的大小为16x5x5(即卷积核的大小为5x5，数量为16个)，经过该层后得到的输出为120维的向量。（即该层有120个神经元）注意：该全连接层是通过卷积方式实现的。
全连接层2(F6)：该层的输入是120个特征，输出是84个特征，该层有84个神经元。
输出层(OUTPUT)：该层有10个神经元，该层每个神经元的输入是84维的特征向量，输出是10维的特征向量。