LeNet5各层伪代码

最新推荐文章于 2024-05-09 21:11:22 发布

aitazhixin

最新推荐文章于 2024-05-09 21:11:22 发布

阅读量2.7k

点赞数

分类专栏： AI

本文链接：https://blog.csdn.net/aitazhixin/article/details/72373798

版权

本文介绍了LeNet5的各层结构，包括卷积层C1、S2池化层、C3、S4、C5以及全连接输出层。详细阐述了每层的输入输出尺寸、卷积核数量、偏置数量，并提供了相应的伪代码。在理解LeNet5的过程中，作者通过调试代码和参考他人博客解决了困惑，提供了自己的实现代码链接。

摘要由CSDN通过智能技术生成

LeNet5的第一层卷积运算，输入图像大小为inH * inW，卷积核c1CNum个，输出feature map大小为c1H * c1W, 偏置个数、feature map个数与卷积核个数相等。输入图像inmap：inH * inW，卷积核：c1conv: c1CNum * 5 * 5, 输出图像：c1map: c1CNum * c1H * c1W, 偏置c1bias：c1CNum

functioin ForwardC1:
    for ith convolution kernel:
        for hth row in feature map i:
            for coth col in feature map i row h:
                令curc1为c1map + i * c1H * c1W + h * c1W + co
                 令指针curc1指向位置的值为0
                 for cr in ranges 5:
                     for cc in ranges 5:
                         令curc1指向位置的值自加 (inmap[(h+cr)*inW + co +cc]乘以c1conv[i*5*5 + cr * 5 + cc])
                     endfor cc
                 endfor cr
                令curc1指向位置的值自加 (c1bias[i])
                将curc1指向的值输入到激活函数，输出赋给它自己
            endfor co
        endfor h
    endfor i
endfunction ForwardC1

S2层池化，输入图像c1map: c1CNum * c1H * c1W，输出图像：s2map: s2Num * s2H * s2W，其中s2Num = c1CNum，池化权值: s2pooling: s2Num，偏置：s2bias: s2Num

function ForwardS2:
    for ith s2 feature map:
        for hth row in feature map i:
            for coth col in feature map i row h:
                令curs2为s2map + i * s2H * s2W + h * s2W + co
                令curs2指向的值 为以下四个值的均值乘以s2pooling[i] 加上s2bias[i]：
                    c1map[i, h * 2 * c1W, co * 2], c1map[i, h * 2 * c1W, co * 2+1], c1map[i, (h * 2 +1) * c1W, co * 2], c1map[i, (h * 2+1) * c1W, co * 2 + 1]
                将curs2指向的值输入到激活函数，输出赋给它自己
            endfo co
        endfor h
    endfor i
endfunction ForwardS2

~~C3层卷积：输入图像：s2map: s2Num * s2H * s2W，输出图像：c3map: c3CNum * c3H * c3W，卷积核~~