深度学习算法原理——经典CNN结构之LeNet-5

论文地址:http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf

LeNet-5 诞生于1994年,是最早的深层卷积神经网络之一,推动了深度学习的发展。从1988年开始,在多次成功的迭代后,这项由Yann LeCun完成的开拓性成果被命名为LeNet-5。最初被用于手写数字识别,当年美国大多数银行就是用它来识别支票上面的手写数字的,它是早期卷积神经网络中最有代表性的实验系统之一。

LeNet-5的网络结构入下图所示:
LeNet-5网络结构
LeNet-5中主要由2个卷积层、2个下抽样层(池化层)、3个全连接层组成,其中:

  • INPUT为输入, 32 × 32 32\times 32 32×32的图片;
  • C1为卷积,由 6 6 6个卷积核的大小为 5 × 5 5\times 5 5×5组成,stride为 1 1 1,得到 6 6 6 28 × 28 28\times 28 28×28的feature maps;
  • S2为下采样,以 2 × 2 2\times 2 2×2为单位的下抽样,使用的平均池化(Average Pooling),得到 6 6 6个maps;
  • C3为卷积,由 16 16 16个卷积核的大小为 5 × 5 5\times 5 5×5,stride为 1 1 1,得到 16 16 16 10 × 10 10\times 10 10×10的feature maps;
  • S4为下采样,以 2 × 2 2\times 2 2×2为单位的下抽样,使用的平均池化(Average Pooling),得到 16 16 16个maps;
  • C5为卷积,由 120 120 120个卷积核的大小为 5 × 5 5\times 5 5×5,stride为 1 1 1,得到 120 120 120 1 × 1 1\times 1 1×1的feature maps;

虽然LeNet-5现在已经很少使用,但是其是奠定了现代卷积神经网络的基石之作。

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页