本文收集了一些神经网络的架构,包含常用的一些模型。
LeNet5
1.Input
输入图像统一归一化为32*32。
2.C1卷积层
经过(5*5*1)*6卷积核,stride=1, 生成featuremap为28*28*6。
3.S2池化层
经过(2*2)采样核,stride=2,生成featuremap为14*14*6。
4.C3卷积层
经过(5*5*6)*16卷积核,stride=1,生成featuremap为10*10*16。
5.S4池化层
经过(2*2)采样核,stride=2,生成featuremap为5*5*16。
6.C5卷积层
经过(5*5*16)*120卷积核,stride=1, 生成featuremap为1*1*120。
7.F6全连接层
输入为1*1*120,输出为1*1*84,总参数量为120*84。
8.Output全连接层。
输入为1*1*84,输出为1*1*10,总参数量为84*10。10就是分类的类别数。