【分类网络】LeNet

已于 2022-08-21 11:51:53 修改
阅读量266 收藏
点赞数
分类专栏： 深度学习笔记🚀 文章标签： 深度学习 分类 神经网络
于 2022-08-21 11:01:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42672745/article/details/126448424
版权
LeNet是由Yan LeCun提出的，是卷积神经网络的早期典范，主要用于手写字符识别。它包含6层，包括卷积层、下采样层和全连接层，其结构影响了现代CNN设计。LeNet通过局部连接、权值共享减少了参数数量，提高了识别准确性，为深度学习的发展奠定了基础。
摘要由CSDN通过智能技术生成

⭐ LeNet

参考文献：《Gradient-Based Learning Applied to Document Recognition（1998）》

LeNet是一系列网络的合称，包括LeNet-1~LeNet-5，由深度学习三巨头的Yan LeCun在1900年提出，他同时也是卷积神经网络(CNN)之父，现在所说LeNet代指LeNet-5。LeNet的实现确立了CNN的结构，现在的神经网络中的许多内容在LeNet网络结构中都能看到，例如卷积层、Pooling层、ReLU层。LeNet网络结构比较简单，适合神经网络的入门学习。

✔️诞生背景

当初LeNet-5的设计主要是为了解决手写识别问题。那时传统的识别方案很多特征都是手工制作的，识别的准确率很大程度上受制于所设计的特征，而且最大的问题在于手动设计特征对领域性先验知识的要求很高还耗时耗力，更别提什么泛化能力，基本上只能针对特定领域。

✔️网络结构

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PRSer_Carrot
关注
专栏目录
订阅专栏
机器学习笔记 - 使用LeNet进行简单图像分类
学以致用 知行合一
01-09 1901
LeNet体系结构由两组卷积，激活和池化层组成，然后是一个完全连接的层，激活，另一个完全连接的层，最后是softmax分类器。 这里将使用Keras和Python（图像源）实现这种网络架构。LetNet是卷积神经网络的出色“第一个图像分类器”。 最初设计用于对手写数字进行分类，也可以轻松地将其扩展到其他类型的图像。...
CNN分类网络之：Lenet
TYtangyan的博客
06-02 426
pytorch 写的一个 lenet的分类网络，不是百分百还原哈，结构是一样的， 简单训练一下自己的数据集。数据集格式如下，data内存放 自己的数据，每个类别放到一个文件夹中，文件夹名称为类别标签如下图 1.网络搭建 import torch import torch.nn as nn class Lenet(nn.Module): def __in...
深度学习分类网络---ResNet
最新发布
datian1234的博客
07-21 688
通过上一篇分类网络的介绍，我们知道网络的宽度和深度可以很好的提高网络的性能，深的网络一般都比浅的的网络效果好，但训练一个很深的网络是非常困难的，一方面是网络越深越容易出现**梯度消失和梯度爆炸**问题， 然而这个问题通过BN层和ReLU激活函数等方法在很大程度上已经得到解决；另一方面当网络层数达到一定的数目以后，网络的性能就会趋于饱和，再增加网络层数的话性能就会开始**退化**，这说明当网络变得很深以后，网络就变得难以训练了。下图展示了不同深度网络的效果。
分类网络
bl128ve900的博客
07-26 203
干货 | 一文总结经典 CNN 架构，从 LeNet 到 SENet https://blog.csdn.net/qq_20084101/article/details/88255726
LeNet分类模型实现数据集分类
Elegantmadman的博客
02-18 527
模型设计 模型定义 #import import sys sys.path.append("/home/kesci/input") import d2lzh1981 as d2l import torch import torch.nn as nn import torch.optim as optim import time #net class Flatten(torch.nn.Modul...
图像分类之LeNet
weixin_45963617的博客
06-29 698
LeNet-5是一种用于手写字符识别的卷积神经网络。其网络结构如下图所示。 一、LeNet-5共7层，各层参数详解： （1）Input层——输入层 输入图像尺寸统一归一化为32×32. （2）c1层——卷积层 输入图片：32×32 卷积核大小：5×5，个数：6 输出feature map大小：28×28 （32-5+1=28） 神经元数量：28×28×6 可训练参数：（5×5+1）×6 （每个滤波器有5×5=25个unit参数和一个bias参数，共6个滤波器） 连接数：（5×5+1）×6×28×28=12
LeNet
zhangyugebb的博客
10-11 805
LeNet名字来源于该论文的第一作者Yann LeCun。该网络是一个简单的卷积神经网络，其通过梯度下降训练卷积神经网络，将手写数字识别的准确性达到了一个突破性的高度。虽然简单，但却是一个奠基性的成果，卷积神经网络此时第一次被推上舞台，为世人所知。从零到一的突破总是最困难的。 LeNet模型分成两个部分：卷积层块和全连接层块。 1.卷积层块：包含卷积层和最大池化层。 卷积层用来识别图像里的空...
matlab实现LeNet.rar_matlab lenet_卷积_卷积神经网络MATLAB_图片 分类_神经网络分类
07-14
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，广泛应用于图像识别、分类和物体检测等领域。LeNet是最早被提出的卷积神经网络之一，由Yann LeCun等人在1998年提出，主要用于手写数字...
Python实现卷积神经网络LeNet-5和AlexNet训练与识别.zip
09-01
使用 torch 的 nn.Module 类的派生，可以编写 LeNet5 的结构如下：其中调用 nn.Conv2d()函数进行卷积层设置，用 nn.Linear()函数进行全连接操作。在正向传导的过程中，规定了两次池化，使用 F.max_pool2d 函数。每一...
卷积神经网络-基于LeNet5实现的遥感图像分类算法.zip
05-03
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，它在处理图像识别和分类任务中表现出色。CNNs的核心在于利用卷积层来捕获图像的局部特征，通过池化层减少计算量并保持重要的空间信息，...
理解深度学习的分类网络：LeNet
AI人工智能与大数据
10-29 656
理解深度学习的分类网络：LeNet 深度学习中的分类网络（Classification）很多，可以说是神经网络的鼻祖，代表性的有：LeNet、AlexNet、VGGNet、GoogLeNet、ResNet、SENet、NASNet、AmboNet，下面先介绍LeNet. LeNet 输入：32x32x1的灰度图像（最后的1是指1个channel，彩色图一般3个channe...
分类网络 GoogleNet
测试转载博客
06-12 172
1. GoogleNet由来 一般情况，增加网络性能的方法自然是增加宽度和深度，但是随着宽度和深度的增加，参数和计算量也增加，过拟合和梯度弥散的问题也来了。 根本的解决方法是将全连接层变为稀疏连接层。但对于大规模稀疏连接，同样存在计算效率不高的问题。 inception模块采用多种大小卷积并联，在增加宽度的同时增加网络对尺度的适应性。满足了网络的稀疏性同时保证了计算效率。 2. inception模块结构 3. GoogleNet使用的其他技巧 1.训练的时候在不同深度处增加了两个loss.
分类网络 DenseNet
阿辉的博客
05-28 856
DenseNet 论文:Densely Connected Convolutional Networks DenseNet是在ResNet之后的一个分类网络,连接方式的改变,使其在各大数据集上取得比ResNet更好的效果. 网络结构 以DenseNet-121为例,介绍网络的结构细节. 网络结构一开始与ResNet类似,先进行一个大尺度的卷积,再接一个池化层;随后接上连续几个子模块(Dense ...
分类网络_1
m0_51887082的博客
08-17 105
256*6*6(Fc1)--->2048(Fc2)--->2048(Fc3)--->1000(输出节点个数可自定义)512*14*14(Pool4)--->512*7*7(Fc1)--->4096(Fc2)--->4096(Fc3)--->1000(输出节点)作者尝试不同组合的网络以及是否使用LRN,我们一般常用的是 D 的配置从注意力机制的角度 我们看一图片，中间部分是清晰的，周围是模糊的，从CNN网络的角度我们在网络传输一个图片 周围加padding和不加padding也是不同的效果，
各种分类网络
zhengfei11的博客
07-04 6488
20问--各种网络类LeNet各层参数1、Input层2、C1卷积层3、S2池化层（下采样层）4、C3卷积层5、S4池化层（下采样层）6、C5卷积层7、F6全连接层8、Output层-全连接层AlexNet网络亮点：Alexnet数据增强操作：局部相应归一化网络参数：VGG网络结构特点GoogLeNet--InceptionV1亮点1*1conv的作用Inception结构网络结构网络结构解析亮点InceptionV21、卷积分解（Factorizing Convolutions）2、降低特征图大小Mobi
分类网络：GoogLeNet
RookiChen的博客
11-21 1078
GoogLeNet网络结构亮点： 1.使用了Inception结构（融合不同尺度的特征信息） 2.使用1x1的卷积核进行降维以及映射处理 3.添加了两个辅助分类器 4.丢弃全连接层，使用平均池化层（大大减小了模型参数） 整个网络架构： Inception结构： 在Inception中，将每一层预测的结果用cat进行连接： 辅助器单独预测结果，最后将预测的结果与主干网络预测的结果一并返回， 这里的aux2和aux1就是通过GoogLeNet两个辅助器预测的结果。 要注意，如果是训练模式，通过神经
神经网络LeNet搭建奥特曼分类
04-04
LeNet是一个经典的神经网络架构，最初用于手写数字的识别。但是，可以用它来搭建任何分类模型，包括奥特曼分类。下面是使用LeNet搭建奥特曼分类的步骤： 1.准备数据集 首先，需要准备奥特曼的图像数据集，其中应包括奥特曼的各种姿势和形态。可以使用ImageNet等公共数据集，也可以自己收集数据。 2.数据预处理 数据预处理是神经网络训练的重要步骤之一。对于奥特曼分类，预处理包括图像的缩放、归一化和转换为灰度图像等。 3.搭建LeNet模型 LeNet模型由卷积层、池化层和全连接层组成。对于奥特曼分类，可以使用以下模型： ```python import torch import torch.nn as nn class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv1 = nn.Conv2d(1, 6, 5) self.pool1 = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.pool2 = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x ``` 这个模型由两个卷积层和两个全连接层组成。每个卷积层后面都有一个池化层，以减少特征图的大小。 4.训练模型 使用PyTorch训练模型的步骤包括定义优化器、定义损失函数、迭代训练数据集等。以下是一个简单的训练函数： ```python def train(model, train_loader, optimizer, criterion, device): model.train() running_loss = 0.0 for i, data in enumerate(train_loader): inputs, labels = data inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100)) running_loss = 0.0 ``` 5.评估模型 评估模型的步骤包括使用测试数据集计算模型的准确率、精度、召回率等指标。以下是一个简单的评估函数： ```python def evaluate(model, test_loader, device): model.eval() correct = 0 total = 0 with torch.no_grad(): for data in test_loader: inputs, labels = data inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: %d %%' % ( 100 * correct / total)) ``` 6.调整模型 如果模型的性能不够好，可以通过调整超参数、增加数据集等方式来提升模型的性能。 通过以上步骤，可以使用LeNet搭建奥特曼分类模型，并对其进行训练和评估。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值