《卷积神经网络》LeNet网络结构快速解读

一、基本简介
LeNet-5出自论文Gradient-Based Learning Applied to Document Recognition，是一种用于手写体字符识别的非常高效的卷积神经网络。

基础知识扫盲：

深度学习入门之卷积原理学习扫盲_舒心远航的博客-CSDN博客

特殊性

• 神经元间的连接是非全连接的
• 同一层中某些神经元之间的连接的权重是共享的（即相同的）

权值共享

使用同一个Kernel

二、LeNet网络的基本结构
LeNet5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层。是其他深度学习模型的基础， 这里我们对LeNet5进行深入分析。同时，通过实例分析，加深对与卷积层和池化层的理解。

LeNet-5共有7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是通过一种卷积滤波器提取输入的一种特征，然后每个Feature Map有多个神经元。

图中的C5前的Full connection写错了，应该是convolutions. 

各层参数详解：

1、INPUT层-输入层

首先是数据 INPUT 层，输入图像的尺寸统一归一化为32*32。

注意：本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。

计算公式：

（1）feature map 的大小是由公式 

  

决定，其中f是feature map的长/宽大小，i为输入图片的大小，p为填充，k为卷积核大小，s为步长。

（2）神经元数量 = 特征图长*特征图宽*特征图通道数

（3）卷积核种类/个数 =  一个滤波器中卷积核的个数

（4）可训练参数数量  =