理论篇1：深度学习之----LetNet模型详解

​
​

活动地址：CSDN21天学习挑战赛

介绍

LeNet 是由Y.Lecun等人在1998年提出的第一个真正的卷积神经网络，现在的LeNet现在主要指LeNet5，其主要特点是卷积层和下采样层相结合作为网络的基本结构，其包括3个卷积层和2个下采样层和2个全连接层。最初设计LeNet的目的是识别手写字符和打印字符，效果非常好，曾被广泛应用于美 国银行支票手写体识别，取得了很大成功 。

网络结构

结构解释：

• C1层是卷积层，有6个通道，是由输入图像经过6个5x5的卷积核对输入图像卷积得到。
• S1层是一个下采样层，有6个通道，是由C1层的特征图经过2x2，步长为2的窗口进行平均池化，在利用sigmoid激活函数变换得到。
• C3是卷积层，有16个通道，是由16个5x5的卷积核对S2进行卷积得到。
• S4是一个下采样层，有16个通道，是由C3层的特征图经过2x2，步长为2的窗口进行平均池化，在利用sigmoid激活函数变换得到。
• C5是卷积层包含120个特征图，是由120个5x5的卷积核对S2进行卷积得到。
• F6是包含84个神经元的全连接层，采用双曲正切激活函数。
• output是输出层有10个神经元。

网络流程：

• k_size：代表卷积核的大小
• k_num：代表卷积的数量
• s：代表步长大小

计算公式介绍：

• 卷积计算公式：
  (n + 2p - k_size) / s + 1
  其中：n为输入图片大小
  p 为padding大小；如果没有就为0；

• 上述流程中比较特殊的地方是从AvgPool4到Conv5的过程，输入特征图大小和卷积核大小相同，得到一维数据。

总结：

LetNet作为最早的卷积神经网络，其特点层数少，参数少，训练快；该模型虽然比较小但是具备了一个真正神经网络该有的东西（麻雀虽小五脏俱全），在手写字识别有较好的效果。