Lenet, AlexNet,VGG16, VGG19笔记 （一）

Lenet, AlexNet,VGG16, VGG19笔记 （一）#

Lenet

LeNet简介

LeNet是一个用来识别手写数字的最经典的卷积神经网络，是Yann LeCun在1998年设计并提出的，是早期卷积神经网络中最有代表性的实验系统之一。

上图是LeNet网络模型框架，总共有8层，C层代表卷积层，S层代表下采样层。

模型理解：

第一层：输入层图像大小是3232（Caffe中Mnist数据库为2828）。

第二层：C1层是卷积层，卷积核大小为55，总共有6个卷积核，通过卷积操作得到6个特征图（feature map），每个feature map有（32-5+1）（32-5+1），即2828个神经元。每个神经元都与输入图像的55大小区域相连，所以总共有2828（55+1）=122304个连接。参数个数=（55+1）*6=156个。通过卷积运算，使原信号特征增强，并且降低噪音，而且不同的卷积核能够提取到图像中的不同特征。

第三层：S2层是下采样层，总共有6个1414的feature map，每个feature map中的每个神经元都与C1层对应的feature map中的22区域相连。S2层中的每个神经元是由这4个输入相加，乘以一个训练参数，再加上这个feature map的偏置参数，结果通过sigmoid函数计算而得。S2层的每一个feature map有1414个神经元，参数个数为26=12，连接数=（22+1）14146=5880。下采样的目的是为了降低网络训练参数及模型的过拟合程度。下采样层的池化方式通常有两种：最大值池化和均值池化。

第四层：C3也是一个卷积层，运用55卷积核处理S2层，C3feature map的神经元个数为1010,。C3有16个feature map，每个feature map由上一层的各feature map之间的不同组合。下图是组合情况：

C3层的第0个feature map是由S2层的第0、1、2个feature map组合得到的，以此类推。C3层的训练参数个数=（553+1）6+（554+1）9+（556+1）*1=1516。连接数151600。

第五、第六层不解释了。

扫描二维码关注公众号，回复： 9351383 查看本文章

第七层：F6全连接层有84个feature map，每个feature map只有一个神经元与C5层全相连。

第八层：输出层也是全连接层，共有10个节点，分别代表数字0到9。

LeNet-5网络模型详解

https://blog.csdn.net/sinat_24143931/article/details/78958931

LeNet - Python中的卷积神经网络

https://www.cnblogs.com/bdccloudy/p/7665201.html

python神经网络案例——CNN卷积神经网络实现mnist手写体识别

https://blog.csdn.net/luanpeng825485697/article/details/79088938

2019/3/17 2:06:10