基于LetNet的手写体数字识别的学习

1. tensorflow的安装

教程参考：https://blog.csdn.net/qy13913453196/article/details/82589792
https://blog.csdn.net/lxy_2011/article/details/79181990
总而言之，只有一句话：直接到anaconda3->Anaconda Navigate->environment。选择一个环境，搜索not
installed中的tensorflow下载apply。

2.LetNet的原理

原理部分来自：https://www.cnblogs.com/houjun/p/8535070.html
https://blog.csdn.net/sinat_24143931/article/details/78958931

LeNet-5包含于输入层在内的8层深度卷积神经网络。其中卷积层可以使得原信号特征增强，并且降低噪音。而池化层利用图像相关性原理，对图像进行子采样，可以减少参数个数，减少模型的过拟合程度，同时也可以保留一定的有用信息。

图中是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层，计算机理解为输入若干个矩阵，这点和DNN基本相同。
　　接着是卷积层（Convolution Layer）,这个是CNN特有的，我们后面专门来讲。卷积层的激活函数使用的是ReLU。ReLU(x)=max(0,x)。在卷积层后面是池化层(Pooling layer)，这个也是CNN特有的，池化层没有激活函数。
卷积层+池化层的组合可以在隐藏层出现很多次，上图中出现两次。而实际上这个次数是根据模型的需要而来的。可以灵活使用卷积层+卷积层，或者卷积层+卷积层+池化层的组合，这些在构建模型的时候没有限制。但是最常见的CNN都是若干卷积层+池化层的组合，如上图中的CNN结构。
　　在若干卷积层+池化层后面是全连接层（Fully Connected Layer, 简称FC），只是输出层使用了Softmax激活函数来做图像识别的分类。