Lenet-5网络结构

第一层:输入层32x32(28x28)大小的图像。明显特征能够出现在最高层特征监测子感受野的中心。(笔画断续、角点)

第二层:C1,卷积层。原始信号特征增强,降低噪音,不同的卷积核能够提取到不同的图像特征。

feature map个数:6个 32 * 32

conv kernel大小:5 * 5

神经元个数:(32 - 5 + 1) * (32 - 5 + 1) = 28 * 28

训练参数个数: (5 * 5 + 1) * 6 = 156

连接数: (5 * 5 + 1)* (28 * 28) * 6 = 122304

第三层:S2,下采样层。降低网络训练参数和模型的过拟合程度。两种方法:均值、最大值。

feature map个数:6个14 * 14,与C1中的2 * 2的区域相连。

神经元计算:sigmoid (2 * 2 的输入相加 * 一个训练参数 + 该feature map的bias)

神经元个数:14 * 14

训练参数个数: 2 * 6 = 12

连接数:(2 * 2 + 1) * (14 * 14) * 6 = 5880

第四层:C3,卷积层。

conv kernel大小:5 * 5

feature map个数:16个14 * 14

神经元个数: (14 - 5 + 1) * (14 - 5 + 1) = 10 * 10

该层feature map是由上一层的各feature map的不同组合而成的,所以训练参数为:

(5 * 5 * 3 + 1) * 6 + (5 * 5 * 4 + 1) * 9 + (5 * 5 * 6 + 1) * 1 = 1516

连接数:1516 * 10 * 10 = 151600

第五层:S4,下采样层。

feature map个数:16个5 * 5, 与C3中对应的feature map的2 * 2大小的区域相连。
训练参数个数: 2 * 16 = 32
连接数: (2 * 2 + 1) * (5 * 5) * 16 = 2000

第六层:C5,卷积层。

feature map个数:120个5 * 5

conv kernel: 5 * 5

神经元个数:(5 - 5 + 1) * (5 - 5 + 1) = 1

训练参数个数:(5 * 5 * 16 + 1) * 120 = 48120

连接数: 48120 * 1 = 48120

第七层:F6,全连接层。

feature map个数:84

神经元:每个feature map只有一个神经元与C5层全连接

连接数与参数个数:(1 * 1 * 120 + 1)* 84 = 10164

计算输入向量和权重向量之间的点积和偏置,之后将其传递给sigmoid函数来计算神经元。

第八层:输出层。10个节点。

84 * 10个设定参数和连接。

如果节点 i 的值为0,则识别的内容为 i 。

采用RBF。

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