LeNet-5实现的过程

LeNet-5实现的过程
（1） 输入层。输入图像的原始像素，大小为32×32×1，即长、宽为32像素，1通道（Channels），即32×32的灰度照片。
（2）卷积层（第一层）。与输入层相连，接收32×32×1的矩阵数据，卷积核（Convolutions）大小为5×5×6，大小为5，深度为6，填充方式为“VALID”，卷积步长为1，所以根据公式（其中，w为输入尺寸；k为卷积核尺寸；p为填充数量，填充方式为“VALID”时不填充，填充方式为“SAME”时使用全0填充；s为卷积步长），可得这一层的输出尺寸为，深度为6，本层的输出矩阵大小为28×28×6。
（3）池化层（第二层）。前接第一个卷积层，接收28×28×6的矩阵数据，卷积核大小为2×2，即长和宽都是2，步长为2，填充方式为“SAME”。在原始的LeNet-5中，采用的是平均值池化，本层的输出矩阵大小为14×14×6。
（4）卷积层（第三层）。前接第一个池化层，接收14×14×6的矩阵数据，卷积核大小为5×5，深度为16，填充方式为“VALID”，步长为1。本层的输出矩阵大小为10×10×16。
（5）池化层（第四层）。前接第二个卷积层，接收10×10×16的矩阵数据，卷积核大小为2×2，即长和宽都是2，步长为2，填充方式为“SAME”。本层的输出矩阵大小为5×5×16。
（6）全连接层（第五层）。前接第二个池化层，接收5×5×16的矩阵数据，在LeNet-5原始论文中称它为卷积层，但是由于卷积核的大小也是5×5，所以其和全连接层没有区别，本层的输出节点是120个。
（7）全连接层（第六层）。前接第一个全连接层，接收120个节点输入，本层的输出节点是84个。
（8）全连接层，输出层（第七层）。前接第二个全连接层，接收84个节点输入，本层的输出节点是10个。