理工酷

LeNet-5体系结构由两组卷积和平均池化层组成，然后是平坦的卷积层，然后是两个全连接层，最后是softmax分类器。

第一层

LeNet-5的输入是一个32×32灰度图像，该图像通过的第一卷积层具有6个特征图或者5×5，步长为1的滤波器。 图像尺寸从32x32x1更改为28x28x6。

第二层

LeNet-5应用平均池化层或子采样层，其滤波器大小为2×2，步长为2。生成的图像尺寸将减小为14x14x6。

第三层

第二个卷积层具有16个大小为5×5，步幅为1的特征图。在该层中，只有16个特征图中的10个被连接到前一层的6个特征图，如下所示。

主要原因是要打破网络中的对称性，并使连接数保持在合理范围内。 这就是为什么该层中的训练参数为1516而不是2400的原因，类似地，连接数为151600而不是240000。

第四层

第四层（S4）还是平均池化层，滤波器大小为2×2，步幅为2。该层与第二层（S2）相同，但是具有16个特征图，因此输出将减少为5x5x16 。

第五层

第五层（C5）是具有120个特征图的全连接卷积层，每个特征图的大小为1×1。 C5中的120个单元中的每一个都连接到第四层S4中全部的400个节点（5x5x16）。

第六层

第六层是具有84个单元的全连接层（F6）。

输出层

最后，有一个全连接的softmax输出层ŷ，其中包含10个可能的值，对应于从0到9的数字。

LeNet-5架构的总结

参考https://www.datasciencecentral.com/profiles/blogs/lenet-5-a-classic-cnn-architecture