LeNet模型解读

LeNet模型解读

• 上图为LeNet-5识别手写体数字的过程，其包含输入层在内共有八层，每一层都包含多个参数（权重），c层代表的为卷积层，通过卷积操作，使原信号特征增强，并降低噪音。s层代表下采样层，即池化层，利用图像局部相关性的原理，对图像进行了子抽样，可以减少数据处理量，同时也可以保留一定的有用信息。

• LeNet-5 包含了卷积神经网络的基本模块是入门卷积神经网络最好的网络之一，包含有卷积层，池化层，全链接层。
  在此我会对LeNet5进行深入分析，进行模型解读。用来加深对与卷积层和池化层的理解。尤其是对其参数部分连接部分结构的理解。

LeNet模型解读

LeNet网络模型参数的具体结构如下：

1. 输入层

首先是数据输入层，输入图像的尺寸为32X32（Caffe中Mnist数据库为28X28）

注意：这样做的原因是希望潜在的明显特征，如笔画断续、角点能够出现在最高特征监测子感受野的中心。

2.C1层即卷积层

输入图片：32x32

卷积核大小：5x5

卷积核种类：6

输出featuremap大小：28*28 特征图计算为（32-5+1）=28（（输入图像尺寸-卷积核尺寸+paddingx2）/stride步长）+1

神经元数量：28x28x6

可训练的参数：可训练参数即为从输入层至C1层之间添加得卷积层所需的参数为：（5x5+1) x 6（此处的每个filter5x5=25个参数和一个bias参数，一共6个filter）

连接数：（5x5+1）x6x28x28=122304（此处的训练后生成28x28的fea