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