宁波人流哪家医院好_软件开发技术培训中心_上海百度研发中心_拉新十大推广app平台

一、说明

这是最基本的深度学习框架，最早是对手写支票进行识别，该网络是完整的深度学习基础，对于零基础学员有很大帮助。

二、LeNet 架构：卷积神经网络的基础

LeNet 架构由Yann LeCun及其团队于 20 世纪 80 年代末创建，是图像识别任务的开创性模型。它的诞生为现代卷积神经网络 (CNN) 奠定了基础，它通过引入卷积层、池化层和全连接层等技术，以分层设计捕捉图像中的空间层次结构。LeNet 在数字识别中发挥了关键作用，并激发了深度学习的众多进步。

2.1 LeNet 的关键细节

原始应用：LeNet 是为识别手写数字而开发的，特别是用于支票上的邮政编码数字识别。
使用的数据集：它首先应用于 MNIST 数据集，该数据集由手写数字（0-9）组成，被广泛用作图像分类任务的基准。
竞赛：尽管 LeNet 最初并不是为竞赛而开发的，但它为数字分类任务设定了新的基准，并启发了计算机视觉领域的早期竞赛。

2.2 架构概述

最著名的版本 LeNet-5 由7 层组成，包括卷积层、池化层和全连接层。以下是各层的细分：

输入层：接受大小为 32×32 的灰度图像。
C1——卷积层：使用 6 个大小为 5×5、步幅为 1 的过滤器，生成大小为 28×28 的特征图。
S2——子采样（池化）层：应用内核大小为 2×2、步幅为 2 的平均池化，将特征图缩小到 14×14。
C3——卷积层：使用 16 个大小为 5×5 的过滤器，步幅为 1，给出大小为 10×10 的输出特征图。
S4——子采样（池化）层：再次应用平均池化，得到大小为 5×5 的特征图。
C5——全连接卷积层：该层有 120 个神经元，每个神经元都连接到上一层的所有 5x5 特征图。
F6——完全连接层：包含 84 个神经元。
输出层：使用softmax激活函数输出10个类（数字0-9）的概率。

2.3 执行卷积后计算图像大小的公式

2.4 LeNet 的优势

高效的特征提取：卷积层可以有效地捕捉图像中的空间层次，这使得该模型对于图像数据特别有效。
减少参数数量：池化层减少了空间大小，降低了参数数量和计算负荷。
基础设计：LeNet 的设计引入了现代 CNN 架构所建立的几个原则，包括 AlexNet、VGG 和 ResNet。

三、python代码：

import tensorflow as tf
from tensorflow.keras import layers, models, datasets
import numpy as np# Load and preprocess the MNIST dataset
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # Normalize pixel values
x_train = np.expand_dims(x_train, -1)  # Add a channel dimension for grayscale
x_test = np.expand_dims(x_test, -1)model = Sequential()
model.add(Conv2D(6, kernel_size=(5, 5), activation='tanh', input_shape=(28, 28, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(16, kernel_size=(5, 5), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(120, activation='tanh'))
model.add(Dense(84, activation='tanh'))
model.add(Dense(10, activation='softmax'))# Compile the model
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])# Train the model
model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test))# Evaluate the model
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'Test Accuracy: {test_acc:.4f}')

四、概括：

在LeNet模型中，卷积、平均池化、全连接层被引入到人们的视野。