学习笔记(05):轻松入门Tensorflow-LeNet模型介绍

立即学习:https://edu.csdn.net/course/play/26266/334242?utm_source=blogtoedu

LeNet模型核心概念：
1.卷积

input image-kernel-feature map

2 池化（下采样）尺寸减半所以下采样

max pooling & average pooling

3激活函数（ReLU）

LeNet逐层分析：

第一个卷积层C1

n(c):滤波器个数-No.of filters

（又称为卷积核）

F:  Filter size 

 

P: Padding   

（是否需要填充，=0即不填充）

Stride: 步长

如何计算卷积后大小：

input image的宽度-kernel的宽度+1=feature map的宽度

32x32x1----28x28x6(F=5: 32-5+1)

 Trainable parameters=Weight+Bias=156

    weight = FxFx n x n+n

    (? bias = n(c ) )

Connections =28x28x156(Trainable parameters)

第一个池化层S2

Trainable parameters=(coefficient +bias)xfilters  (含有激活函数参数）

Connections =14x14x30