动图详细讲解 LeNet-5 网络结构

最新推荐文章于 2023-12-14 21:38:32 发布

kuweicai

最新推荐文章于 2023-12-14 21:38:32 发布

阅读量1.3w

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

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。

摘要由CSDN通过智能技术生成

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。

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/

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 $32 * 32 * 1$ ，这里 1 是输入的 channel，计为 $C_{in}$ ，输出为 $28 * 28 * 6$ ，6 是输出的 channel。kernel 为 $5*5*C_{in}*C_{out} = 5*5*1*6$