经典卷积神经网络之LeNet-5
学习经典卷积神经网络目的就是了解卷积神经网络的发展历程，要知道先进算法的网络架构都是从经典卷积神经网络发展而来，废话不多说下面直接介绍LeNet-5卷积神经网络。
网络架构：
其结构如右图所示，下面将逐层的介绍：
第一层：输入层，收入的图片是一张大小为32*32的单通道图片，也就是(32, 32, 1)
第二层：卷积层，filters=6, kernel_size=5, strides=1, padding=“valid”
(32+0-5)/1+1=28
那么得到的输出大小就是：(28, 28, 6)
有多少参数需要训练：
第三层：池化层，kernel_size=2, strides=2, padding=“valid”
(28+0-2)/2+1=14
那么得到的输出大小就是：(14, 14, 6)
有多少参数需要训练：无
第四层：卷积层：filters=16, kernel_size=5, strides=1, padding=“valid”
(14+0-5)/1+1=10
那么得到的输出大小就是：(10, 10, 16)
有多少需要训练的参数：
第五层：池化层，kernel_size=2, strides=2, padding=“valid”
(10+0-2)/2+1=5
那么得到的输出大小就是：(5, 5, 16)
有多少参数需要训练：无
第六层：全连接层
神经元个数=120
有多少参数需要训练：
这里就是将第五层进行展平：；那么全连接层的权重就是[400, 120]的矩阵，偏置就是120个
第七层：全连接层
神经元的个数=84
有多少参数需要训练：
第七层的权重：[120, 84]的矩阵，偏置：84个
第八层：
神经元个数=10，这是因为要做手写数字识别任务
有多少参数需要训练：
tensorflow的网络结构代码如下：
模型结构：
Lenet5是最早的卷积神经网络之一，可以看到其结构非常的简单，是由卷积、池化、全连接层拼接而成，而且其深度也很浅，但是它带来的影响确实很大。