再次学习Lenet5，这里进行一个简单的记录
问题定义：
输入：32x32 灰度图片
输出：0-9 数字识别结果
总共7层（不包含输入，包含输出层）：
输入-> 卷积->池化->卷积->池化->卷积->全连接->全连接输出
关键点：
卷积核：为5x5
padding：为0
步长：为1
留意点：
1.由于输入是灰度图像，可以认为通道数为1
2.在第二个卷积中，进行了不同feature的组合，第三个卷积中，进行全部累加组合（类似于后来的卷积，在后来的卷积中，组合变成了通道）
（一）输入 32x32
（二）第一层卷积 6个5x5 卷积核 padding为0，步长为1 6个 28x28 （参数个数 6x5x5+6）
（三）第一层池化 2x2 池化，不重叠 6个 14x14
（四）第二层卷积 16个 5x5 卷积核 padding为0，步长为1 16个10x10 （这里进行了 3个、4个和6个的组合，总共16种情况， 其中，3个组合的6种，4个组合的9种，6个组合的1种）对应的参数为 （3x6+4x9+6x1）x5x5+16
（五）第二层池化 2x2 池化，不重叠 16个 5x5
（六）第三层卷积 120个 5x5 卷积核 padding为0，步长为1 120个1x1 （这里中，每一个得到的1x1值都是16个卷积核卷积后加上1个偏置项得到的，所以参数个数为 （16x5x5+1)x120 ）
（七）全连接1 84 （参数 120x84+84）
（八）全连接2 这里原始论文使用rbf 单元 yi=sum（(xj-wij)^2） 10 （参数 84x10）
在多说一点：
在第二层卷积中，会发现进行了组合，但又不是想第三层卷积中的完全组合。原论文中对这种做法的原因进行了2点解释：
a.为了使得连接数可控，个人理解还是为了减少参数
b.为了打破对称性，让不同的feature map学习到一个不同的特征（因为他们的输入数据是不一样的）
上述大概就是Lenet5的一个简记了，对应的图解析，网上也很多，这里就简单贴一个：
https://blog.csdn.net/happyorg/article/details/78274066
可以看看上面的图
Lenet5简记
原文地址：https://www.cnblogs.com/youyouzaLearn/p/9473473.html