【摘要】：利用MNIST数据集可以训练出卷积神经网络LeNet-5模型参数，用来识别手写体数字。输入为MNIST数据集中8 bit灰度32×32像素的图像，输出成10个节点，分别表示图像为0~9十个数字的概率。C5层就是以16个输入点和隐藏层120点进行全连接，并依指定的激活函数将输出传到下一层，接下来再和下一组隐藏层F6的84点进行全连接，最后再和输出层的10个输出点进行全连接，并正规化输出得到各输出的概率，即完成整个LeNet-5模型（网络）结构。
利用MNIST数据集可以训练出卷积神经网络LeNet-5模型参数，用来识别手写体数字。输入为MNIST数据集中8 bit灰度32×32像素的图像，输出成10个节点，分别表示图像为0~9十个数字的概率。
①卷积特征图C1层。C1层上的红点，是由输入层（INPUT）红色框（5×5个像素）乘上5×5的卷积核加总后而得，依序由输入影像的左至右、上至下共享一个卷积核进行卷积，一次移动一个像素（stride=1），如此即可产生一张特征图，而C1层共享了6组卷积核，因此产生6张28×28像素的特征图。再将影像进行池化，较常见的方式就是把相邻四点中最大的点当成新点，称为Max Pooling，同时把影像长宽都减为一半，成为S2层。(www.xing528.com)
②对S2层以16组3×3卷积核进行卷积，产生C3层，共有16组10×10像素的特征图。同样地再对C3层进行池化产生S4层，变成16组5×5像素的特征图，最后再以16组5×5卷积核把S4层的16个特征图卷积变成16个输入点，再以传统全链接神经网络进行链接。C5层就是以16个输入点和隐藏层120点进行全连接，并依指定的激活函数将输出传到下一层，接下来再和下一组隐藏层F6的84点进行全连接，最后再和输出层（OUTPUT）的10个输出点进行全连接，并正规化输出得到各输出的概率，即完成整个LeNet-5模型（网络）结构。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
