动图详细讲解 LeNet-5 网络结构

最新推荐文章于 2025-03-24 10:53:41 发布
最新推荐文章于 2025-03-24 10:53:41 发布
阅读量1.3w 收藏 89
点赞数 16
分类专栏： 深度学习 文章标签： LeNet-5 网络结构 参数计算 动图 详解
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kuweicai/article/details/93359992
版权
本文详细讲解了LeNet-5网络结构，包括其全貌、超参数计算和计算量（FLOPs）。通过2D和3D动图展示了卷积层、池化层和全连接层的工作原理。LeNet-5由两个卷积层、两个全连接层和一个输出层组成，总计约6万超参数，广泛应用于手写数字识别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LeNet-5 动图详细讲解网络结构

LeNet-5 是 Yann LeCun 等人在1998年设计的用于手写数字识别的卷积神经网络，当年美国大多数银行就是用它来识别支票上面的手写数字的，它是早期卷积神经网络中最有代表性的实验系统之一。本文将重点讲解LeNet-5的网络参数计算和实现细节。

1. LeNet-5全貌

在这里插入图片描述
LeNet-5是一个总共5层的卷积神经网络（一般输入层不计，两个卷积层 + 两个全连接层 + 输出层）。上图已经清晰的标明了各层神经网络的参数了，整理如下。
在这里插入图片描述
这里推荐下面两个网站，可以动图的展示LeNet-5的计算过程。
2D效果 http://scs.ryerson.ca/~aharley/vis/conv/flat.html
在这里插入图片描述
3D效果 http://scs.ryerson.ca/~aharley/vis/conv/
在这里插入图片描述

2. 超参数与计算量（FLOPs）

2.1 卷积层

如果对卷积过程还不是很清楚的朋友可以参考 卷积动图。
在这里插入图片描述
对于卷积层，它的超参数就是对应的 kernel 的值和偏置项，比如对于上面的 C1 卷积层，输入为 32 ∗ 32 ∗ 1 32*32*1 32∗32∗1，这里 1 是输入的 channel，计为 C i n C_{in} Cin​，输出为 28 ∗ 28 ∗ 6 28*28*6 28∗28∗6，6 是输出的 channel。kernel 为 5 ∗ 5 ∗ C i n ∗ C o u t = 5 ∗ 5 ∗ 1 ∗ 6 5*5*C_{in}*C_{out} = 5*5*1*6 5∗5∗Cin​

最低0.47元/天 解锁文章
TensorFlow深度学习实战（8）——卷积神经网络
盼小辉丶的博客
02-17 2880
卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 TensorFlow 构建卷积神经网络。
目标检测 | 卷积神经网络（CNN）详细介绍及其原理详解
突然好想你
02-08 2684
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像识别和计算机视觉任务。它的设计灵感来自于生物学中视觉皮层的工作原理。CNN的核心思想是通过输入层、卷积层、池化层、全连接层和输出层来提取图像特征并进行分类。本文将详细给大家介绍卷积神经网络的基本组成及其实现原理！~🌈
lenet5卷积神经网络图像识别
05-05
基于卷积神经网络的图像识别，网络结构为lenet5，在训练集上的正确率可以达到90+，测试集正确率在60-70%。
LeNet-5详解
Lucas_slb的博客
11-13 272
LeNet-5详解 参考：
卷积神经网络 - LeNet-5
最新发布
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
03-24 1371
LeNet-5 是卷积神经网络（CNN）的早期代表之一，由 Yann LeCun 等人在 1998 年提出，主要用于手写数字识别任务（如 MNIST 数据集）。 本文我们从其网络结构、各层功能以及整体设计思想入手理解 LeNet-5。
LeNet-5网络详解
鲤鱼与驴的博客
01-30 9086
介绍了LeNet-5网络的模型结构和模型特性
这可能是神经网络 LeNet-5 最详细的解释了！
热门推荐
红色石头的专栏
12-08 4万+
大家好，我是红色石头！说起深度学习目标检测算法，就不得不提 LeNet- 5 网络。LeNet-5由LeCun等人提出于1998年提出，是一种用于手写体字符识别的非常高效的卷积神经网络。出...
经典卷积神经网络——LeNet-5
Soar_Sir的博客
06-26 1020
原理： LeNet-5[LeCun et al., 1998] 虽然提出的时间比较早，但是是一个非常成功的神经网络模型。基于LeNet-5的手写数字识别系统在90年代被美国很多银行使用，用来识别支票上面的手写数字体。LeNet-5的网络结构图如图： 图片来源于Paper[LeCun et al., 1998] 该图片根据LeNet-5绘制 不计输入层，LeNet-5共有7层，每一层的结构为：...
深度学习中的经典基础网络结构（backbone）总结
生命在于折腾！
10-28 3万+
深度学习中的经典基础网络结构总结 1. 深度学习发展历史回顾 在开始正式内容之前，首先回顾下深度学习发展史，这将使整体内容更为连贯。 上图主要展示了深度学习的 “史前文明”（这里仅仅是开玩笑的说法）。从图中可以看到整个历史始于1943年，有三个发展繁荣期和两个低谷。 1943年，心理学家麦卡洛克和数学逻辑学家皮兹发表论文《神经活动中内在思想的逻辑演算》，提出了MP模型。 1960年，...
最全动画诠释各种卷积网络及实现机制
一点码客
03-16 4297
3年前开发移动端卷积神经网络SDK，使用GPU实现卷积神经网络的各种算子，Android/iOS双端都实现了，性能非常不错，实时风格画和实时抠图接近50FPS，今天无意中翻到这些动画及笔记，这些知识点又回来了，于是把这些分享出来，也希望能对大家有所帮助。
图像分类之LeNet
weixin_45963617的博客
06-29 748
LeNet-5是一种用于手写字符识别的卷积神经网络。其网络结构如下图所示。 一、LeNet-5共7层，各层参数详解： （1）Input层——输入层 输入图像尺寸统一归一化为32×32. （2）c1层——卷积层 输入图片：32×32 卷积核大小：5×5，个数：6 输出feature map大小：28×28 （32-5+1=28） 神经元数量：28×28×6 可训练参数：（5×5+1）×6 （每个滤波器有5×5=25个unit参数和一个bias参数，共6个滤波器） 连接数：（5×5+1）×6×28×28=12
一文读懂经典卷积网络模型——LeNet-5模型（附代码详解、MNIST数据集）
中科院AI算法工程师的博客
12-02 1万+
LeNet-5模型是Yann LeCun教授与1998年在论文Gradient-based learning applied to document recognition中提出的，它是第一个成功应用于数字识别问题的卷积神经网络。在MNIST数据集上，LeNet-5模型可以达到大约99.2%的正确率。 LeNet-5模型总共...
[技术分享]神经网络中的动态图
Andytl的博客
10-07 1122
Paddle2中支持动态图，动态图是指神经网络的结构可以动态变化，build with run，类似于Python语言中变量不需要定义好类型就可以赋值。这样带来的好处是使得网络更加灵活，更具运行的情况来调整数据流走向，确定就是运行比较慢，这和Python的缺点一样。参考一、参考二。 例如： import paddle import paddle.nn.functional as F import numpy as np class MyModel(paddle.nn.Layer): def __
TCP-面向连接的、可靠的、基于字节流的 传输层通信协议
shadow bear
01-22 3588
你是一台电脑，你的名字叫 A 图片 经过《你管这破玩意儿叫网络？》这篇文章中的一番折腾，只要你知道另一位伙伴 B 的 IP 地址，且你们之间的网络是通的，无论多远，你都可以将一个数据包发送给你的伙伴 B 这就是物理层、数据链路层、网络层这三层所做的事情。 站在第四层的你，就可以不要脸地利用下三层所做的铺垫，随心所欲地发送数据，而不必担心找不到对方了。 虽然你此时还什么都没干，但你还是给自己这一层起了个响亮的名字，叫做传输层。 你本以为自己所在的第四层万事大吉，啥事没有，但很快问题就接踵而至。 问题来了 前
神经网络——动态图和静态图
乐亦亦乐的博客
01-13 7117
目前神经网络框架分为静态图框架和动态图框架，PyTorch和TensorFlow、Caffe等框架最大的区别就是他们拥有不同的计算图表现形式。TensorFlow1.*使用静态图（在TensorFlow2.*中使用的是动态图），这意味着我们先定义计算图，然后不断使用它，而在PyTorch中，每次都会重新构建一个新的计算图。 静态图和动态图有各自的优点。动态图比较方便DEBUG，使用者能够使用任何...
卷积神经网络的网络结构——以LeNet-5为例
strint的专栏
03-09 4万+
卷积神经网络是一种特殊的多层神经网络，像其它的神经网络一样，卷积神经网络也使用一种反向传播算法来进行训练，不同之处在于网络的结构。卷积神经网络的网络连接具有局部连接、参数共享的特点。局部连接是相对于普通神经网络的全连接而言的，是指这一层的某个节点只与上一层的部分节点相连。参数共享是指一层中多个节点的连接共享相同的一组参数。
深度学习入门(一)：LeNet-5教程与详解
xiongxyowo的博客
11-21 2万+
1.什么是LeNet LeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。 LeNet： 主要用来进行手写字符的识别与分类 确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到 虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门学习。 2.分析 2.1.LeNet结构 如图所示，LeNet共分为7层，分别是： C1，卷
卷积神经网络动图解释.pptx
fengdu78的博客
11-06 939
刚在学习深度学习的时候，对卷积神经网络还比较模糊，后来发现一位黄海广老师的卷积神经网络课件，带很多动画，把卷积神经网络讲得很清楚。值得推荐。文末提供原版的ppt的下载方式，ppt效果见下图...
技术 | 动图详解：Google翻译背后的机器学习算法与神经网络模型
ai100_ml的博客
08-26 268
爬取一个网站1-5页的动图
10-17
爬取网站上的动图通常涉及网络抓取技术，特别是在Python中使用像BeautifulSoup、Scrapy等库。以下是基本步骤： 1. **设置目标**：首先确定你要爬取的网站，查看其是否允许抓取，并了解动图的URL结构或CSS选择器。 2. **编写代码**：使用Python的requests库获取网页内容，例如： ```python import requests url = "http://example.com/page1" # 请替换为你实际的目标页面 response = requests.get(url) ``` 3. **解析HTML**：使用BeautifulSoup或其他解析库解析响应数据，找到包含动图的元素： ```python from bs4 import BeautifulSoup soup = BeautifulSoup(response.text, 'html.parser') img_tags = soup.select('img') # 根据网站结构调整选择器 ``` 4. **下载图片**：针对每个找到的`<img>`标签，检查是否有src属性并下载图片： ```python for img in img_tags: img_url = img['src'] if 'http' not in img_url: # 如果不是完整链接，拼接上基础url img_url = f"{url}/{img_url}" response_img = requests.get(img_url) with open(f'downloads/{img_url.split("/")[-1]}', 'wb') as f: f.write(response_img.content) ``` 5. **遍历页面**：如果有多于一页，需要循环处理，你可以通过分析分页链接或者查找下一个页面的指示来完成。这里是一个简单的递归例子： ```python def crawl_pages(base_url, max_pages=5): for i in range(1, max_pages + 1): print(f"Crawling page {i}") current_url = base_url.format(page=i) # 假设分页链接是?page=1, ?page=2等 ... # 使用上述方法爬取当前页面 if not next_page_url: # 如果找不到下一页链接，则退出递归 break crawl_pages("http://example.com/page{}", 5) ``` 6. **注意事项**：确保遵守网站的robots.txt规则，尊重版权，并处理可能出现的反爬虫机制（如验证码、IP限制）。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值