CNN模型（1）：LeNet

今天药忘吃喽~ 2022-10-02 11:41 213阅读 0赞

![70][]

这次介绍LeNet：

[https://blog.csdn.net/silent56\_th/article/details/53456522][https_blog.csdn.net_silent56_th_article_details_53456522]

3个卷积+2个池化+2个全连接，参数个数：

<table> 
 <tbody> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> 层次 </td> 
 <td style="vertical-align:top;width:395px;"> 描述 </td> 
 <td style="vertical-align:top;"> 参数个数与连接数 </td> 
 <td style="vertical-align:top;"> 作用 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> INPUT </td> 
 <td style="vertical-align:top;width:395px;"> 32*32的灰度图 </td> 
 <td style="vertical-align:top;"> 0 </td> 
 <td style="vertical-align:top;"> &nbsp; </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> &nbsp; 卷积层1 </td> 
 <td style="vertical-align:top;width:395px;"> 由6个5*5*1卷积核与输入层做卷积操作产生的6个28*28的Feature Map(FM). </td> 
 <td style="vertical-align:top;"> 参数：(5*5+1)*6 连接：(5*5*1+1)*6*28*28 </td> 
 <td style="vertical-align:top;"> &nbsp; 对输入图像提取6个特征 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> &nbsp; 池化层1 </td> 
 <td style="vertical-align:top;width:395px;"> 对C1层的每一个Feature Map的长宽尺寸降到原来的1/2，得到6个14*14的FM通道数量不变。 </td> 
 <td style="vertical-align:top;"> 参数：2*6 连接：(2*2+1)*6*(14*14) </td> 
 <td style="vertical-align:top;"> 降低网络训练参数及模型的过拟合程度。常用的由最大池化和平均池化。 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> &nbsp; &nbsp; &nbsp; 卷积层2 </td> 
 <td style="vertical-align:top;width:395px;"> 有16个FM,由四组卷积核，分别为6个5*5*3，7个5*5*4,2个5*5*5,1个5*5*6。得到16个10*10的FM,每一个FM是由上一层的各FM的不同组合得到，组合情况详见下表。 </td> 
 <td style="vertical-align:top;"> 参数：(5*5*3+1)*6+(5*5*4+1)*7+(5*5*5+1)*2+(5*5*6+1)*1 连接：((5*5*3+1)*6+(5*5*4+1)*7+(5*5*5+1)*2+(5*5*6+1)*1)*(10*10) </td> 
 <td style="vertical-align:top;"> 提取深层特征 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> 池化层2 </td> 
 <td style="vertical-align:top;width:395px;"> 对C2的FM进行池化，降低每一个FM的大小为原来的1/2，得到16个5*5的FM. </td> 
 <td style="vertical-align:top;"> 参数：2*16 连接：(2*2+1)*16*(5*5) </td> 
 <td style="vertical-align:top;"> 降低网络训练参数及模型的过拟合程度。常用的由最大池化和平均池化。 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> 卷积层3 </td> 
 <td style="vertical-align:top;width:395px;"> 由120个5*5*16的卷积核与S4层卷积，得到120个1*1的FM </td> 
 <td style="vertical-align:top;"> 参数：(5*5*16+1)*120 连接：(5*5*16+1)*120*(1*1) </td> 
 <td style="vertical-align:top;"> 提取深层特征 </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> 全连接层1 </td> 
 <td style="vertical-align:top;width:395px;"> 84个神经元与C5中的120个神经元全连接，加上4个偏置项。 </td> 
 <td style="vertical-align:top;"> 参数：(120+1)*84 连接：(120+1)*84 </td> 
 <td style="vertical-align:top;"> &nbsp; </td> 
 </tr> 
 <tr> 
 <td style="vertical-align:top;width:86px;"> 全连接层2&nbsp; </td> 
 <td style="vertical-align:top;width:395px;"> 10个神经元与上一层的84个神经元全连接，加上10个偏置项。采用径向基函数(详解看另一篇文章) </td> 
 <td style="vertical-align:top;"> 参数：(84+1)*10 连接：(84+1)*10 </td> 
 <td style="vertical-align:top;"> 训练 </td> 
 </tr> 
 </tbody> 
</table>

[70]: /images/20220112/ca15e4b5d87444afb7f7d0a82c70d7bc.png
[https_blog.csdn.net_silent56_th_article_details_53456522]: https://blog.csdn.net/silent56_th/article/details/53456522