CNN图像分类模型（一）——LeNet

一）简介

  LeNet-5是一种用于手写体字符识别的非常高效的卷积神经网络，自论文Gradient-Based Learning Applied to Document Recognition,由Yann LeCun等人于1998年发表。LeNet模型虽然结构相对简单，但包含了深度学习的基本模块——卷积层，池化层，全链接层，是后续各类CNN识别模型的基础。

二）LeNet模型简介

LeNet-5网络结构

如图所示为LeNet-5网络的基本结构，一共由7层（不包含输入层）：
  0）输入层——32x32尺寸图像
  1）C1——卷积层1
  2）S2——池化层1
  3）C3——卷积层2
  4）S4——池化层2
  5）C5——全连接层1
  6）F6——全连接层2
  7）输出层——全连接层2

2.1）输入图像

  首先是图像输入层，输入灰度图像的尺寸归一化为32*32像素。

2.2）卷积层C1

  卷积核大小：5x5（卷积核每次滑动一个像素，即stride=1）