lenet

最新推荐文章于 2023-04-25 19:34:07 发布

limengjuhanxin

最新推荐文章于 2023-04-25 19:34:07 发布

阅读量644

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/limengjuhanxin/article/details/83759405

版权

机器学习专栏收录该内容

28 篇文章 0 订阅

订阅专栏

Gradient-Based learning Applied to Document Recognition
Lenet的网络结构
Lenet网络结构

对S2到C3层的说明：
如下图所示，C3的前6个feature map分别对应S2的三个连续的feature map; C3的6个feature map分别对应S2的4个连续的feature map;C3的3个feature map分别对应S2的4个间隔的feature map;C3的1个feature map对应S2的6个feature map.
这样可以减少参数，通过不对称的组合连接，可以学习到多种组合的特征。
在这里插入图片描述

项目	I0	C1	S2	C3	S4	C4	FC1	FC2
尺寸	32x32	28x28	14x14	10x10	5x5	1x1	84x1	10x1
核的个数	1	6	–	16	–	120	–	–
核的尺寸	–	5x5	2x2	5x5	2x2	5x5	–	–
stride	–	1	2	1	2	1	–	–
可训练参数	–	6x(5x5+1)=156	6x2=12	6x(3x5x5+1)+6x(4x5x5+1)+3x(4x5x5+1)+1x(6x5x5+1)=1516	16x2	120x(16x5x5+1)=48120	84x(120+1)=10164	10x(84+1)=850
连接数	–	28x28x6x(5x5+1)=122304	14x14x6x(2x2+1)=5880	10x10x1516=151600	16x5x5x(2x2+1)=2000	1x1x48120	84x(120+1)=10164	10x(84+1)=850