LeNet-5--卷积神经网络（CNN）

LeNet-5是一种经典的卷积神经网络（CNN）架构，由Yann LeCun等人于1998年提出，主要用于手写数字识别任务。它是首个在MNIST数据集上取得较好性能的卷积神经网络，并为后续深度学习的发展奠定了基础。

LeNet-5的架构如下所示：

1. 输入层：接收原始图像作为输入。
2. 卷积层C1：使用6个5x5的卷积核对输入进行卷积操作，生成6个特征图（即通道数为6），并应用sigmoid激活函数。
3. 池化层S2：对每个特征图进行2x2的平均池化操作，将特征图的大小减半。此时特征图的通道数仍为6。
4. 卷积层C3：使用16个5x5的卷积核对S2的特征图进行卷积操作，生成16个特征图，再应用sigmoid激活函数。
5. 池化层S4：对每个特征图进行2x2的平均池化操作，将特征图的大小减半。此时特征图的通道数仍为16。
6. 全连接层F5：将S4中的特征图展开为一维向量，并与120个神经元进行全连接操作，再应用sigmoid激活函数。
7. 全连接层F6：将F5的输出与84个神经元进行全连接操作，并应用sigmoid激活函数。
8. 输出层：使用softmax函数将F6的输出映射为对不同类别的概率分布，用于分类任务。

LeNet-5的主要创新点在于引入了卷积层和池化层的组合，同时采用了非线性激活函数和全连接层，实现了从原始图像到最终分类结果的端到端学习。它为后来更复杂的深度卷积神经网络提供了基本思路和启示。

LeNet-5的设计体现了卷积神经网络在处理图像分类任务上的优势，尤其是通过共享权重和局部感受野的方式有效地减少了参数数量，提高了模型的泛化能力。虽然相对于当今更深更复杂的网络结构，LeNet-5的性能可能较低，但它作为卷积神经网络发展的里程碑，对于理解和学习深度学习的基本原理仍然具有重要意义。