深度学习入门——LeNet5模型计算

LeNet5

LeNet-5是一个简单地卷积神经网络，可以通过LeNet-5模型来实现MNIST手写体的识别。
LeNet-5模型大致上有两层卷积层，两层池化层，两层全连接层。

操作流程：

1）输入层：输入一张图像（手写体识别的图像一般是黑白的，图像只有单通道），对这张图片先进行数据预处理，使图片的尺寸统一为32x32大小（当然其他大小也可，但图片尺寸不可过大或过小，导致卷积核无法完全提取图像特征，造成最后结果的一定偏差）；
2）卷积层：将输入的图片经过卷积核（滤波器）来提取特征，每一种卷积核可以提取出图片上不同的特征。一般卷积出来的图像数据要进行一次激活，为神经元引入非线性因素，使得神经网络可以任意逼近任何非线性函数；
3）池化层：将经过一次卷积提取特征后的特征图传入池化层中，在池化层中一般有两种操作——最大池化与平均池化。通过池化层可以压缩图片，将图片中无关紧要的特征剔除；
4）卷积层：第二次用卷积核提取特征，获得特征图；
5）池化层：对卷积层输出的结果进行采样，压缩图像尺寸大小；
6）卷积层：将上一层的所有特征图用卷积核进行展开，最后得到的结果为一个一维的向量，