深度学习项目二: LetNet5网络结构搭建

已于 2024-01-05 14:20:46 修改
阅读量201 收藏
点赞数
分类专栏： 深度学习和视觉项目实战 文章标签： 深度学习 人工智能 python 算法
于 2023-07-04 11:03:53 首次发布
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/m0_60890175/article/details/131465178
版权
本文详细介绍了LetNet5网络结构，包括卷积基本运算公式和网络的四个主要部分：网络结构、包导入、代码实现及模型结构查看。通过实例展示了如何用Python的nn.Module构建LeNet模型。
摘要由CSDN通过智能技术生成

深度学习项目二: LetNet5网络结构搭建

文章目录

一、卷积基本运算公式

  • 卷积的基本计算公式：
    在这里插入图片描述
  • 例如一下通过卷积操作, 我们可以得到卷积参数有关性质。
    在这里插入图片描述

二、LetNet5网络

1. 网络结构在这里插入图片描述

2. 导入相关包


                

                
                
        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    


                



	

		

			

				
					
letnet学习数据集

				
			

			

				

					05-21
				

			

		

		

			
				
然后，你可以使用深度学习框架（如TensorFlow、PyTorch或Keras）搭建LetNet模型，设置超参数，如学习率、批次大小、优化器等。最后，利用数据集进行训练，并评估模型在验证集或测试集上的性能。  在学习过程中，你还...

			
		

	



                

            
              



	

		

			

				
					
深度学习案例2：AlexNet网络识别14种鲜花

				
			

			

				

					Howzit
				

				

					01-19
					
					4708
					
				

			

		

		

			
				
1 AlexNet简介
AlexNet在【ImageNet Classification with Deep Convolutional Neural Networks】论文中提出的，并在ILSVRC-2012获得第一名。AlexNet的特点:

相比较LetNet-5，更深的网络结构。
使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征。
使用Dropout抑制过拟合。
使用数据增强Data Augmentation抑制过拟合。
使用Relu替换之前的sigmoid的作为激活函数。
多GPU训练。

			
		

	



              


  
              

                


	

		

			

				
					
深度学习之卷积神经网络（4）LeNet-5实战

				
			

			

				

					weixin_43360025的博客
				

				

					10-02
					
					924
					
				

			

		

		

			
				
深度学习之卷积神经网络（4）LeNet-5实战加载数据集创建网络训练阶段测试阶段完整代码
 1990年代，Yann LeCun等人提出了用于手写数字和机器打印字符图片识别的神经网络，被命名为LetNet-5[1]。LetNet-5的提出，使得卷积神经网络在当时能够成功被商用，广泛应用在邮政编码、支票号码识别任务中。下图是LetNet-5的网络结构图，它接受32×3232×3232×32大小的数字、字符图片，经过第一个卷积层得到[b,28,28,6][b,28,28,6][b,28,28,6]形状的张量，经过

			
		

	





	

		

			

				
					
动手学习深度学习经典网络——LeNet

				
			

			

				

					weixin_45178274的博客
				

				

					04-04
					
					322
					
				

			

		

		

			
				
LeNet5共有七层，不包含输入，每层都包含可训练参数，每个层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种特征，然后每Feature Map有多个神经元。卷积层是CNN的核心，层的参数由一组可学习的滤波器（filter）或内核（kernels）组成，它们具有小的感受野，延伸到输入容积的整个深度。全连接层是一个常规的神经网络，它的作用是对经过多次卷积层和多次池化层所得出来的高级特征进行全连接（全连接就是常规神经网络的性质），算出最后的预测值。

			
		

	



		

			
		



	

		

			

				
					
「深度学习一遍过」必修8：搭建卷积神经网络 LeNet-5

				
			

			

				

					闭关修炼——暂退
				

				

					08-01
					
					1784
					
				

			

		

		

			
				
本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇


目录

1LeNet-5 的网络结构与特点

2 各层参数详解

2.1 INPUT 层——输入层

2.2 C1 层——卷积层

2.3S2 层——池化层（下采样层）

2.4 C3 层——卷积层

2.5 S4 层——池化层（下采样层）

2.6 C5 层——卷积层

2.7 F6 层——全连接层

2.8...

			
		

	





	

		

			

				
					
深度学习理论篇之 ( 十三) -- LetNet-5之风起云涌

				
			

			

				

					xyl666666的博客
				

				

					07-18
					
					1003
					
				

			

		

		

			
				
科普知识对于深度学习或机器学习模型而言，我们不仅要求它对训练数据集有很好的拟合（训练误差），同时也希望它可以对未知数据集（测试集）有很好的拟合结果（泛化能力），所产生的测试误差被称为泛化误...

			
		

	





	

		

			

				
					
(一)深度学习系列之LeNet-5网络介绍以及pytorch代码实现手写数字识别

				
			

			

				

					2301_76382363的博客
				

				

					02-20
					
					1635
					
				

			

		

		

			
				
本文对LeNet-5网络结构进行讲解，并使用pytorch搭建该网络实现手写数字识别

			
		

	





	

		

			

				
					
深度学习之基于LeNet-5实现cifar10的识别

				
			

			

				

					starlet_kiss的博客
				

				

					08-16
					
					3220
					
				

			

		

		

			
				
Cifar10是一个封装好的数据集，里面包括10中类别的事物。而LeNet-5是最先提出来的卷积神经网络，在之前的学习中，我们并没有利用LeNet-5网络进行分类，本次实验我们来看一下基于Lenet-5对cifar10分类的效果。
1.导入库
import tensorflow as tf
import numpy as np
import os,PIL
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.

			
		

	





	

		

			

				
					
LeNet-5经典卷积神经网络模型搭建及应用实例

				
			

			

				

					dooglocool的博客
				

				

					12-29
					
					1077
					
				

			

		

		

			
				
LeNet-5卷积神经网络是用于图像识别的经典神经网络，本文从零复现整个模型，同时采用相应的数据集进行训练和测试。

			
		

	





	

		

			

				
					
项目实战1: TF2.0+LetNet-5构建Fasion MNSIT分类器

				
			

			

				

					zxp121127的博客
				

				

					05-11
					
					1798
					
				

			

		

		

			
				
目录

一、前言

1.1Fasion MNSIT数据集介绍

1.2 LetNet-5简介

二、TF2.0构建LetNet卷积网络实现Fasion MNSIT分类

2.1数据读取

2.2 构建LetNet-5网络结构

2.3训练

2.4验证测试

2.5模型保存

2.6预测

一、前言

本博客旨在通过利用tensorflow2.0构建一个简单的神经网络模型（LetNet-5）实现对...

			
		

	





	

		

			

				
					
【图像分类】卷积神经网络之LeNet5网络模型实现MNIST手写数字识别

				
			

			

				

					学无止境、积少成多、厚积薄发
				

				

					02-21
					
					1325
					
				

			

		

		

			
				
卷积神经网络之LeNet5网络模型实现MNIST手写数字识别，文末附完整项目代码和数据集

			
		

	





	

		

			

				
					
深度学习编程工具Tensorflow—实现LeNet-5

				
			

			

				

					DIPDWC的博客
				

				

					05-31
					
					1304
					
				

			

		

		

			
				
Tensorflow框架实现LeNet-51. 目标与背景2. 基于LeNet的TensorFlow实现2.1 程序代码分析2.2 实验演示3. 结尾参考资料
1. 目标与背景
在这一讲中，我们将讲解深度学习的编程工具Tensorflow的基础使用规则。最初的深度学习编程工具主要由研究人员义务开发，免费发布供大家使用，如Caffe，在2014年，由美国加州大学伯克利分校贾扬清开发。随着深度学习技术的逐渐普及，开发深度学习的编程工具变得有利可图。因此，近年来编程工具的主要开发者变成了公司。

图1 贾扬清
下

			
		

	





	

		

			

				
					
深度学习技术与应用的未来展望：从基础理论到实际实现

				
			

			

				

					平凡程序猿~的博客
				

				

					03-24
					
					783
					
				

			

		

		

			
				
深度学习作为人工智能领域的核心技术之一，近年来引起了极大的关注。它不仅在学术界带来了革命性的进展，也在工业界展现出了广泛的应用前景。从图像识别到自然语言处理，再到强化学习和生成对抗网络（GAN），深度学习已经渗透到了各个领域。本文将深入探讨深度学习的基础理论、技术架构、最新发展以及未来的应用趋势，结合代码示例，帮助读者更好地理解深度学习的核心技术和实际应用。

			
		

	





	

		

			

				
					
卷积神经网络输入通道和输出通道的确定

				
			

			

				

					核电子探索者
				

				

					03-25
					
					132
					
				

			

		

		

			
				
输入通道由输入数据决定，输出通道由模型设计者选择。输出特征图的尺寸可以通过公式计算，帮助设计合适的网络结构。

			
		

	





	

		

			

				
					
深度学习--概率

				
			

			

				

					fantasy_ARM9的博客
				

				

					03-22
					
					414
					
				

			

		

		

			
				
1.1 假设我们掷骰子，想知道1而不是看到另一个数字的概率，如果骰子是公司，那么所有6个结果(1..6),都有相同的可能发生，因此，我们可以说1发生的概率为1/6.然而现实生活中，对于我们从工厂收到的真实骰子，我们需要检查它是否有瑕疵，

			
		

	





	

		

			

				
					
AI学习——卷积神经网络（CNN）入门

				
			

			

				

					2301_81186831的博客
				

				

					03-19
					
					1976
					
				

			

		

		

			
				
​作用：将提取的特征汇总，判断属于哪一类。​例子输入：耳朵特征（0.9）、胡须（0.8）、尾巴（0.7）。输出：猫（90%）、狗（5%）、其他（5%）。从识别猫狗到辅助癌症诊断，CNN让计算机真正学会了“看”世界。它的设计灵感源自人类视觉，却又超越了生物局限。下一次当你刷脸解锁手机时，不妨想想：这背后正是无数个卷积核在默默工作，从像素中编织出智能的奇迹。延伸阅读：书籍：《深度学习入门：基于Python的理论与实现》视频：3Blue1Brown的CNN科普论文：AlexNet——CNN里程碑之作。

			
		

	





	

		

			

				
					
卷积神经网络 - AlexNet

					
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
				

				

					03-25
					
					706
					
				

			

		

		

			
				
本文我们来学习cnn经典网络之AlexNet，AlexNet是深度学习领域具有里程碑意义的卷积神经网络（CNN），由Alex Krizhevsky等人于2012年提出，并在ImageNet图像分类竞赛（ILSVRC）中以显著优势夺冠，推动了深度学习在计算机视觉中的广泛应用。

			
		

	





	

		

			

				
					
【yolo】YOLO训练参数输入之模型输入尺寸

				
			

			

				

					songhuangong123的博客
				

				

					03-21
					
					1298
					
				

			

		

		

			
				
是YOLO训练和推理过程中非常重要的参数之一。YOLO要求输入图像的尺寸是固定的，通常为正方形（如416×416、640×640等）。这个尺寸直接影响模型的性能和速度。

			
		

	





	

		

			

				
					
《基于深度学习的指纹识别智能门禁系统》开题报告

				
			

			

				

					m0_69704149的博客
				

				

					03-22
					
					1072
					
				

			

		

		

			
				
 采用基于深度学习的指纹识别的方式，提高门禁系统的安全性和准确性。选择STM32F4或STM32F7系列开发板，这些系列的开发板性能较好，能够满足指纹识别及门禁控制的需求。指纹识别模块：采用ATK-AS608光学指纹识别模块，该模块识别准确率高，稳定性好，适合用于门禁系统。设计一个深度学习指纹算法，输入数据集，将其训练出一个模型，将模型移植到stm32平台上，将训练好的模型移植到stm32开发板上，连接传感器，门锁等硬件，进行测试。

			
		

	





	

		

			

				
					
深度学习原理探析：卷积神经网络CNN的优势解析

				
			

			

				

					
				

			

		

		

			
				
深度学习中的卷积神经网络（CNN）是一种专门用于处理具有网格结构数据，特别是图像数据的神经网络模型。CNN的主要优势在于其能够自动学习和识别输入数据的局部特征，从而在图像识别和分类任务中表现出色。  首先，...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
小啊磊_Vv

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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