神经网络模型LeNet-5学习
2021-01-05 本文已影响0人
斐硕人
知识点
- 卷积
- 池化
-
全连接与连接表
全连接
C3连接表
模型结构
模型结构
C1层
- 卷积层
- 卷积核： 6组5*5
- 输入 32*32灰度图像
- 输出 6 组 28*28 特征图
- 神经元数量 6* 28*28 = 4704
- 可训练参数 6*（5 *5+1）= 156
- 连接数 156 * 28*28 = 122304
S2层
- 池化层
- 采样窗口：2*2
- 输入 6 组 28*28 特征图
- 输出 6 组 14*14 特征图
- 神经元数量 6* 14*14 = 1176
- 可训练参数 6*（1+1）= 12
- 连接数 6 * （4+1）* 14*14 = 5880
C3层
- 卷积层
- 卷积核：60组 5*5
- 输入 6 组 14*14 特征图
- 输出 16 组 10*10 特征图
- 神经元数量 16 * 10*10 = 1600
- 可训练参数 60 * （5 * 5）+16= 1516 （注意这里是60而不是全连接6*16）
- 连接数 1516 * 10*10 = 151600
S4层
- 池化层
- 采样窗口：2*2
- 输入 16 组 10*10 特征图
- 输出 16 组 5*5 特征图
- 神经元数量 16 * 5 * 5 = 400
- 可训练参数 16*（1+1）= 32
- 连接数 16 * （4+1）* 5 *5 = 2000
C5层
- 卷积层
- 卷积核： 120组 5*5
- 输入 16 组 5*5 特征图
- 输出 120 组 1*1 特征图
- 神经元数量 120
- 可训练参数 120*(16 * 5 * 5 + 1) = 48120
- 连接数 120 * (16 * 25 + 1) = 48120
F6层
- 全连接层
- 正切函数
- 输入 120 组 1*1 特征图
- 输出 84 组 1*1 特征图
- 神经元数量 84
- 可训练参数 84 *(120 + 1) = 10164
- 连接数 84*(120 + 1) = 10164
输出层
-
RBF函数(径向欧式距离函数)
RBF函数
-
输入 84 组 1*1 特征图
-
输出 10 组 1*1 特征图
-
神经元数量 10
-
可训练参数 10 * 84 = 840
-
连接数 10 * 84 = 840
LeNet-5识别数字3
学习资料来源：
