卷积神经网络学习路线（六）| 经典网络回顾之LeNet

开篇的这张图代表ILSVRC历年的Top-5错误率，我会按照以上经典网络出现的时间顺序对他们进行介绍，同时穿插一些其他的经典CNN网络。

前言

这是卷积神经网络学习路线的第六篇文章，前面五篇文章从细节，超参数调节，网络解释性方面阐述了卷积神经网络。从这篇文章开始，卷积神经网络学习路线就开始代领大家一起探索从1998年到2019年的20多种经典的网络，体会每种网络的前世今身以及包含的深邃思想。本节就带大家来探索一下LeNet。

背景&贡献

LeNet是CNN之父Yann LeCun在1998提出来的，LeNet通过巧妙的设计，利用卷积、参数共享、下采样等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是近20年来大量神经网络架构的起源。

网络结构

LeNet-5是LeNet系列最新的卷积神经网络，设计用于识别机器打印的字符，LeNet-5的网络结构如下图所示。
我们可以具体分析一下：

• 首先输入图像是单通道的$28\times 28$大小的图像，用caffe中的Blob表示的话，维度就是$[B,1,28,28]$。其中$B$代表batch_size。
• 第一个卷积层conv1所用的卷积核尺寸为$5\times 5$，滑动步长为$1$，卷积核数目为$20$，那么经过这一层后图像的尺寸变成$28-5+1=24$，输出特征图的维度即为$[B,20,24,24]$。
• 第一个池化层的池化核尺寸为$2\times 2$，步长$2$，这是没有重叠的max pooling，池化操作后，图像尺寸减半，变为$12\times 12$，输出特征图维度为$[B,20,12,12]$。
• 第二个卷积层conv2的卷积核尺寸为$5\times 5$，步长$1$，卷积核数目为$50$，卷积后图像尺寸变为$12-5+1=8$，输出特征图维度为$[B,50,8,8]$。
• 第二个池化层pool2池化核尺寸为$2\times 2$，步长$2$，这是没有重叠的max pooling，池化操作后，图像尺寸减半，变为$4\times 4$，输出矩阵为$[B,50,4,4]$。
• pool2后面接全连接层fc1，神经元数目为$500$，再接relu激活函数。
• 最后再接fc2，神经元个数为$10$，得到$10$维的特征向量，用于$10$个数字的分类训练，再送入softmaxt分类，得到分类结果的概率output。

Keras实现

我们来看一个keras的LeNet-5实现，

def LeNet():
    model = Sequential()
    model.add(Conv2D(32,(5,5),strides=(1,1),input_shape=(28,28,1),padding='valid',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Conv2D(64,(5,5),strides=(1,1),padding='valid',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Flatten())
    model.add(Dense(100,activation='relu'))
    model.add(Dense(10,activation='softmax'))
    return model

没错就是这么简单。。。

后记

因为LeNet是最简单的CNN网络，所以就讲得比较简短。虽然LeNet结构简单，准确率在解决现代很多视觉任务时已经力不从心了，但LeNet是CNN的开创者，我们仍然应该给予足够的尊重。

卷积神经网络学习路线往期文章

卷积神经网络学习路线（一）| 卷积神经网络的组件以及卷积层是如何在图像中起作用的？

卷积神经网络学习路线（二）| 卷积层有哪些参数及常用卷积核类型盘点？

卷积神经网络学习路线（三）| 盘点不同类型的池化层、1*1卷积的作用和卷积核是否一定越大越好？

卷积神经网络学习路线（四）| 如何减少卷积层计算量，使用宽卷积的好处及转置卷积中的棋盘效应？

卷积神经网络学习路线（五）| 卷积神经网络参数设置，提高泛化能力？

---

欢迎关注我的微信公众号GiantPandaCV，期待和你一起交流机器学习，深度学习，图像算法，优化技术，比赛及日常生活等。