动手学深度学习:LeNet卷积神经网络的构建代码逐行解读

本文介绍了如何用LeNet-5替代传统全连接层处理Fashion-MNIST数据,通过卷积层和平均池化减少参数,重点讲解了其由卷积编码器和全连接层密集块构成的结构,以及两个卷积块的具体配置.
摘要由CSDN通过智能技术生成

 一、LeNet卷积神经网络的架构:

        在之前的Fashion-MNIST模型中,我们将数据集中的灰度图像28*28转化为一个个长度为784维的向量,然后通过全连接层对其进行处理。而现在,我们已经掌握了卷积层的处理方法,对于一个极大的图像不需要将极长的向量用于学习,使用卷积层替代全连接层可以让模型更加简洁、所需要的参数更少。 总体来看,LeNet-5卷积神经网络由以下两个部分组成,包括卷积编码器全连接层密集块。在卷积编码器中包含两个卷积块,每个卷积块包含一个卷积层,一个Sigmoid激活函数和一个平均池化层。第一卷积层具有6个采样通道,而第二卷积层具有16个采样通道。

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值