知识点
- 卷积
- 池化
- 全连接与连接表
文章图片
文章图片
模型结构
文章图片
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
- 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
- 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
- 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
- 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
- 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
- RBF函数(径向欧式距离函数)
文章图片
- 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
文章图片
学习资料来源:
- 卷积神经网络的网络结构——以LeNet-5为例
- 以LeNet-5为例理解CNN
- LeNet-5网络结构及训练参数计算
- LeNet-5网络结构解析
推荐阅读
- 神经网络|【机器学习基础】常用激活函数(激励函数)理解与总结
- 数据挖掘|2022第十届泰迪杯数据挖掘大赛B题电力负荷预测代码
- Object|NMS和几种IOU的复现
- 深度学习基础|深度学习基础-线性回归
- 机器学习|机器学习_pytorch_高级神经网络结构_AutoEncoder自编码
- 神经网络|信息瓶颈提出者Naftali Tishby生前指导,129页博士论文「神经网络中的信息流」公布...
- python|总结|图像分割5大经典方法
- 目标检测|yolov5——断点训练/继续训练【解决方法、使用教程】
- 目标检测|yolov5——detect.py代码【注释、详解、使用教程】