Lenet 神經(jīng)網(wǎng)絡結構為：
①輸入為 32*32*1 的圖片大小，為單通道的輸入；
②進行卷積，卷積核大小為 5*5*1，個數(shù)為 6，步長為 1，非全零填充模式；
③將卷積結果通過非線性激活函數(shù)；
④進行池化，池化大小為 2*2，步長為 1，全零填充模式；
⑤進行卷積，卷積核大小為 5*5*6，個數(shù)為 16，步長為 1，非全零填充模式；
⑥將卷積結果通過非線性激活函數(shù)；
⑦進行池化，池化大小為 2*2，步長為 1，全零填充模式；
⑧全連接層進行 10 分類。
Lenet 神經(jīng)網(wǎng)絡的結構圖及特征提取過程如下所示：

Lenet 神經(jīng)網(wǎng)絡的輸入是 32*32*1，經(jīng)過 5*5*1 的卷積核，卷積核個數(shù)為 6 個，采用非全零填充方式，步長為 1，根據(jù)非全零填充計算公式：輸出尺寸=（輸入尺寸-卷積核尺寸+1）/步長=（32-5+1）/1=28.

故經(jīng)過卷積后輸出為 28*28*6。

經(jīng)過第一層池化層，池化大小為 2*2，全零填充，步長為 2，由全零填充計算公式：輸出尺寸=輸入尺寸/步長=28/2=14，池化層不改變深度，深度仍為 6。

用同樣計算方法，得到第二層池化后的輸出為 5*5*16。

將第二池化層后的輸出拉直送入全連接層。

根據(jù) Lenet 神經(jīng)網(wǎng)絡的結構可得，Lenet 神經(jīng)網(wǎng)絡具有如下特點：
①卷積（Conv）、池化（ave-pooling）、非線性激活函數(shù)（sigmoid）相互交替；
②層與層之間稀疏連接，減少計算復雜度。

對 Lenet 神經(jīng)網(wǎng)絡進行微調，使其適應 Mnist 數(shù)據(jù)集：
由于 Mnist 數(shù)據(jù)集中圖片大小為 28*28*1 的灰度圖片，而 Lenet 神經(jīng)網(wǎng)絡的輸入為 32*32*1，故需要對 Lenet 神經(jīng)網(wǎng)絡進行微調。（微調是如何進行調整？整個網(wǎng)絡的對接是如何進行？后面博客繼續(xù)學習）
①輸入為 28*28*1 的圖片大小，為單通道的輸入；
②進行卷積，卷積核大小為 5*5*1，個數(shù)為 32，步長為 1，全零填充模式；
③將卷積結果通過非線性激活函數(shù)；
④進行池化，池化大小為 2*2，步長為 2，全零填充模式；
⑤進行卷積，卷積核大小為 5*5*32，個數(shù)為 64，步長為 1，全零填充模式；
⑥將卷積結果通過非線性激活函數(shù)；
⑦進行池化，池化大小為 2*2，步長為 2，全零填充模式；
⑧全連接層，進行 10 分類。
Lenet 進行微調后的結構如下所示：

前面第五、六講中，輸入mnist數(shù)據(jù)集是28*28像素，輸出是長度為10的一維數(shù)組；

現(xiàn)在運用Lennet神經(jīng)網(wǎng)絡

圖片大小即每張圖片分辨率為 28*28，故 IMAGE_SIZE 取值為 28；

Mnist 數(shù)據(jù)集為灰度圖，故輸入圖片通道數(shù) NUM_CHANNELS 取值為 1；

第一層卷積核大小為 5，卷積核個數(shù)為 32，故 CONV1_SIZE 取值為 5，CONV1_KERNEL_NUM 取值為 32；

第二層卷積核大小為 5，卷積核個數(shù)為 64，故 CONV2_SIZE 取值為 5， CONV2_KERNEL_NUM為 64；

全連接層第一層為 512 個神經(jīng)元，故FC_SIZE 取值為 512，

全連接層第二層為 10 個神經(jīng)元，OUTPUT_NODE 取值為 10，實現(xiàn) 10 分類輸出。

注：本文章通過觀看北京大學曹健老師的Tensorflow視頻，筆記總結而來的。

總結

以上是生活随笔為你收集整理的Lenet 神经网络-实现篇（1）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。