LeNet是早期的卷积神经网络，用于数字识别。它通过卷积和池化层减少图像尺寸，增加通道数。网络结构包括多个卷积层、池化层和全连接层，最终识别0-9的数字。尽管参数较少，LeNet使用sigmoid和tanh激活，不同于现代的ReLU。卷积层识别空间模式，池化层降低位置敏感性。
LeNet
假设你有一张 32×32×1 的图片，然后使用 6 个 5×5的过滤器，步幅为 1，padding 为 0，输出结果为 28×28×6。图像尺寸从 32×32 缩小到 28×28。
然后进行池化操作，使用平均池化，过滤器的宽度为 2，步幅为 2，图像的尺寸，高度和宽度都缩小了 2 倍，输出结果是一个14×14×6 的图像。
接下来又是卷积层，用一组 16 个 5×5 的过滤器，新的输出结果有 16 个通道，所以这个图像从 14 到 14 缩小到了10×10。
然后又是池化层，高度和宽度再缩小一半，输出一个 5×5×16 的图像。
将所有数字相乘，乘积是 400。下一层是全连接层，在全连接层中，第一个全连接层有120个神经元，然后还有一个全连接层有84个神经元，最后一步就是利用这 84 个特征得到最后的输出，我们还可以在这里再加一个节点用来预测 y^的值， y^有 10 个可能的值，对应识别 0-9 这 10 个数字。LeNet-5 网络在输出层使用了另外一种，现在已经很
订阅专栏 解锁全文
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
