LeNet-5 经典卷积网络mnist手写数字识别

使用LeNet-5模型进行mnist手写数字识别，与之前的mnist手写数字识别的区别在于：使用全连接层代替输出层输出。下面是另一种mnist手写数字识别方案

https://blog.csdn.net/qq_42754919/article/details/103448767

1.LeNet-5模型

LeNet-5模型模型如下：
第一层，卷积层
这一层的输入是原始的图像像素，LeNet-5 模型接受的输入层大小是32x32x1。第一卷积层的过滤器的尺寸是5x5，深度（卷积核种类）为6，不使用全0填充，步长为1。因为没有使用全0填充，所以这一层的输出的尺寸为32-5+1=28，深度为6。这一层卷积层参数个数是5x5x1x6+6=156个参数（可训练参数），其中6个为偏置项参数。因为下一层的节点矩阵有有28x28x6=4704个节点（神经元数量），每个节点和5x5=25个当前层节点相连，所以本层卷积层总共有28x28x6x（5x5+1）个连接。
第二层，池化层
这一层的输入是第一层的输出，是一个28x28x6=4704的节点矩阵。本层采用的过滤器为2x2的大小，长和宽的步长均为2，所以本层的输出矩阵大小为14x14x6。原始的LeNet-5 模型中使用的过滤器和这里将用到的过滤器有些许的差别，这里