《表1 LeNet5模型参数量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进卷积神经网络模型设计方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Yann LeCun教授提出了LeNet5模型，并成功在手写数字识别问题上得到了应用。LeNet5使用了卷积层，降采样层，激活层的3层结构，卷积层通过卷积核在图片上的移动进行局部采样提取局部特征，利用权值共享获取全局特征，降采样层通过平均池化的方法融合部分卷积特征从而降低数据量，激活层利用非线性激活函数对提取的特征进行激活并抑制噪声的干扰。LeNet5分类器采用了多层神经网络，模型稀疏连接的特点既降低了过拟合，又提升了计算效率。表1显示了输入32*32灰度图像的LeNet5每层的参数量，计算可得到两个全连接层的参数量占整个网络参数量的94.55%。