卷积核和全连接层的区别_卷积神经网络之-Lenet

更多内容请关注『机器视觉 CV』

前言

Lenet 是一系列网络的合称，包括 Lenet1 - Lenet5，由 Yann LeCun 等人在 1990 年《Handwritten Digit Recognition with a Back-Propagation Network》中提出，是卷积神经网络的 HelloWorld。

Lenet5

Lenet 的最终版本是 Lenet5，是一个 7 层的神经网络，包含 3 个卷积层，2 个池化层，1 个全连接层。其中所有卷积层的所有卷积核都为 5x5，步长 strid=1，池化方法都为全局 pooling，激活函数为 Sigmoid，网络结构如下：

代码复现

Lenet 网络的参数量，以及每层的输出特征图大小如下：

• 卷积的卷积核都为 5×5 步长 stride=1
• 输入是 32×32
• -> 6@28*28(卷积 C1) 参数：5×5×6+6 =156
• -> 6@14*14(池化 S2) 参数：偏移量参数 2×6
• -> 16@10*10(卷积 C3) 参数：5×5×6×16+16 = 2416 # 这里与原始的 LeNet 网络有区别
• -> 16@5*5(池化 S4) 参数：偏移量参数 2×16
• -> 120@1*1(卷积 C5)当然，这里也可以认为是全连接层(因为上一层得到的特征图是 5x5，卷积核也为 5x5) 参数：5×5×16×120+120 = 48120
• -> 84(全连接 F6) 这个 84 的选取有个背景：与 ASCII 码表示的 7×12 的位图大小相等 参数：120×84
• -> 10 (输出类别数) 参数：84×10

下面我们用 Pytorh 框架实现一些 Lenet5，实际代码会与上面的说明有些差别，并模拟一个输入进行测试。

import torchimport torch.nn as nnimport torch.nn.functional as Fclass LeNet5(nn.Module):    def __init__(self, num_classes, grayscale=False):         """        num_classes: 分类的数量        grayscale：是否为灰度图        """        super(LeNet5, self).__init__()                self.grayscale = grayscale        self.num_classes = num_classes                if self.grayscale: # 可以适用单通道和三通道的图像            in_channels = 1        else:            in_channels = 3                # 卷积神经网络        self.features = nn.Sequential(            nn.Conv2d(in_channels, 6, kernel_size=5),            nn.MaxPool2d(kernel_size=2),            nn.Conv2d(6, 16, kernel_size=5),            nn.MaxPool2d(kernel_size=2)   # 原始的模型使用的是 平均池化        )        # 分类器        self.classifier = nn.Sequential(            nn.Linear(16*5*5, 120),  # 这里把第三个卷积当作是全连接层了            nn.Linear(120, 84),             nn.Linear(84, num_classes)        )        def forward(self, x):        x = self.features(x) # 输出 16*5*5 特征图        x = torch.flatten(x, 1) # 展平 (1， 16*5*5)        logits = self.classifier(x) # 输出 10        probas = F.softmax(logits, dim=1)        return logits, probas                    num_classes = 10  # 分类数目grayscale = True  # 是否为灰度图data = torch.rand((1, 1, 32, 32))print("input data:", data, "")model = LeNet5(num_classes, grayscale)logits, probas = model(data)print("logits:",logits)print("probas:",probas)

最后模拟了一个输入，输出一个分类器运算后的结果和 10 个 softmax 概率值