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,32×3232\times 3232×32的图片;
  • C1为卷积,由666个卷积核的大小为5×55\times 55×5组成,stride为111,得到666个28×2828\times 2828×28的feature maps;
  • S2为下采样,以2×22\times 22×2为单位的下抽样,使用的平均池化(Average Pooling),得到666个maps;
  • C3为卷积,由161616个卷积核的大小为5×55\times 55×5,stride为111,得到161616个10×1010\times 1010×10的feature maps;
  • S4为下采样,以2×22\times 22×2为单位的下抽样,使用的平均池化(Average Pooling),得到161616个maps;
  • C5为卷积,由120120120个卷积核的大小为5×55\times 55×5,stride为111,得到120120120个1×11\times 11×1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。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券