深度神經(jīng)網(wǎng)絡(luò)之1.0 LeNet-5

LeNet-5 ,用于實(shí)現(xiàn)手寫識(shí)別的7層CNN(不包含輸入層)挠乳,以下為L(zhǎng)eNet-5的示意圖:


LeNet-5示意圖.png

輸入原始圖像的大小是32×32寝蹈,卷積層用 Cx 表示榆骚,子采樣層(pooling)用Sx表示,全連接層用Fx表示浪读,x 代表層數(shù)昔榴。

C1層是Conv層,單通道下用了6個(gè)filter碘橘,這樣就得到了6個(gè)feature map互订,其中每個(gè)卷積核的大小為5*5(因?yàn)槭菃瓮ǖ溃跃鸵粚樱┒徊穑妹總€(gè)卷積核與原始的輸入圖像進(jìn)行卷積仰禽,這樣每個(gè)filter對(duì)應(yīng)的feature map的大小為(32-5+1)×(32-5+1)= 28×28,所需要的參數(shù)的個(gè)數(shù)為(5×5+1)×6= 156(其中5×5為卷積模板參數(shù)纺蛆,1為偏置參數(shù))吐葵,連接數(shù)為(5×5+1)×28×28×6=122304(其中28×28為卷積后圖像的大小)。

S2層為 pooling 層桥氏,也可以說(shuō)是池化或者特征映射的過(guò)程温峭。6個(gè) feature map,每個(gè)feature map的大小為1414字支,每個(gè)feature map的隱單元與上一層C1相對(duì)應(yīng)的feature map的 2×2 單元相連接凤藏,這里沒(méi)有重疊。計(jì)算過(guò)程是:2×2 單元里的值相加然后再乘以訓(xùn)練參數(shù)w堕伪,再加上一個(gè)偏置參數(shù)b(每一個(gè)feature map共享相同w和b)揖庄,然后取sigmoid (S函數(shù):0-1區(qū)間)值,作為對(duì)應(yīng)的該單元的值欠雌。(和max-polling蹄梢,average-pooling有點(diǎn)區(qū)別)所以S2層中每 feature map 的長(zhǎng)寬都是上一層C1的一半。S2層需要2×6=12個(gè)參數(shù)桨昙,連接數(shù)為(4+1)×14×14×6 = 5880检号。注:這里池化的過(guò)程與ufldl教程中略有不同腌歉。下面為卷積操作與池化的示意圖:

卷積操作與池化的示意圖.png

C3層也是一個(gè)Conv層(14個(gè)通道),16核卷積齐苛,注意此處C3并不是與S2全連接而是部分連接翘盖,見下圖),有16個(gè)卷積核凹蜂,卷積模板的大小為55馍驯,因此具有16個(gè)feature maps,每個(gè)feature map的大小為(14-5+1)×(14-5+1)= 10×10玛痊。每個(gè)feature map只與上一層S2中部分feature maps相連接汰瘫,下表給出了16個(gè)feature maps與上一層S2的連接方式(行為S2層feature map的標(biāo)號(hào),列為C3層feature map的標(biāo)號(hào)擂煞,第一列表示C3層的第0個(gè)feature map只有S2層的第0混弥、1和2這三個(gè)feature maps相連接,其它解釋類似)对省。為什么要采用部分連接蝗拿,而不采用全連接呢?首先就是部分連接蒿涎,可計(jì)算的參數(shù)就會(huì)比較少哀托,其次更重要的是它能打破對(duì)稱性,這樣就能得到輸入的不同特征集合劳秋。以第0個(gè)feature map描述計(jì)算過(guò)程:用1個(gè)卷積核(對(duì)應(yīng)3個(gè)卷積模板仓手,但仍稱為一個(gè)卷積核,可以認(rèn)為是三維卷積核)分別與S2層的3個(gè)feature maps進(jìn)行卷積玻淑,然后將卷積的結(jié)果相加嗽冒,再加上一個(gè)偏置,再取sigmoid就可以得出對(duì)應(yīng)的feature map了岁忘。所需要的參數(shù)數(shù)目為(5×5×3+1)×6 +(5×5×4+1)×9 +5×5×6+1 = 1516(5×5為卷積參數(shù)辛慰,卷積核分別有 3 4 6 個(gè)卷積模板),連接數(shù)為151610*10= 151600干像。

image.png

S4層也是采樣層帅腌,有16個(gè)feature maps,每個(gè)feature map的大小為5×5麻汰,計(jì)算過(guò)程和S2類似速客,需要參數(shù)個(gè)數(shù)為16×2 = 32個(gè),連接數(shù)為(4+1)×5×5×16 = 2000.

C5為卷積層五鲫,有120個(gè)卷積核溺职,卷積核的大小仍然為5×5,因此有120個(gè)feature maps,每個(gè)feature map的大小都與上一層S4的所有feature maps進(jìn)行連接浪耘,這樣一個(gè)卷積核就有16個(gè)卷積模板乱灵。Feature map的大小為1×1,這樣剛好變成了全連接七冲,但是我們不把它寫成F5痛倚,因?yàn)檫@只是巧合。C5層有120(5516+1) = 48120(16為上一層所有的feature maps個(gè)數(shù))參數(shù)(自己的理解:和C3的不同澜躺,這一層一共有120個(gè)16維的55大小的卷積核蝉稳,且每一個(gè)核中的16維模板都一樣),連接數(shù)也是這么多掘鄙。

F6層有86個(gè)神經(jīng)單元耘戚,每個(gè)神經(jīng)單元與C5進(jìn)行全連接。它的連接數(shù)和參數(shù)均為 86 × 120 = 10164 操漠。這樣F6層就可以得到一個(gè)86維特征了收津。后面可以使用該86維特征進(jìn)行做分類預(yù)測(cè)等內(nèi)容了。注意:這里卷積和池化的計(jì)算過(guò)程和ufldl教程中的計(jì)算略有不同颅夺。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末朋截,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子吧黄,更是在濱河造成了極大的恐慌,老刑警劉巖唆姐,帶你破解...
    沈念sama閱讀 222,464評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件拗慨,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡奉芦,警方通過(guò)查閱死者的電腦和手機(jī)赵抢,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,033評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)声功,“玉大人烦却,你說(shuō)我怎么就攤上這事∠劝停” “怎么了其爵?”我有些...
    開封第一講書人閱讀 169,078評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)伸蚯。 經(jīng)常有香客問(wèn)我摩渺,道長(zhǎng),這世上最難降的妖魔是什么剂邮? 我笑而不...
    開封第一講書人閱讀 59,979評(píng)論 1 299
  • 正文 為了忘掉前任摇幻,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘绰姻。我一直安慰自己枉侧,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,001評(píng)論 6 398
  • 文/花漫 我一把揭開白布狂芋。 她就那樣靜靜地躺著棵逊,像睡著了一般。 火紅的嫁衣襯著肌膚如雪银酗。 梳的紋絲不亂的頭發(fā)上辆影,一...
    開封第一講書人閱讀 52,584評(píng)論 1 312
  • 那天,我揣著相機(jī)與錄音黍特,去河邊找鬼蛙讥。 笑死,一個(gè)胖子當(dāng)著我的面吹牛灭衷,可吹牛的內(nèi)容都是我干的次慢。 我是一名探鬼主播,決...
    沈念sama閱讀 41,085評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼翔曲,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼迫像!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起瞳遍,我...
    開封第一講書人閱讀 40,023評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤闻妓,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后掠械,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體由缆,經(jīng)...
    沈念sama閱讀 46,555評(píng)論 1 319
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,626評(píng)論 3 342
  • 正文 我和宋清朗相戀三年猾蒂,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了均唉。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,769評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡肚菠,死狀恐怖舔箭,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情蚊逢,我是刑警寧澤层扶,帶...
    沈念sama閱讀 36,439評(píng)論 5 351
  • 正文 年R本政府宣布,位于F島的核電站时捌,受9級(jí)特大地震影響怒医,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜奢讨,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,115評(píng)論 3 335
  • 文/蒙蒙 一稚叹、第九天 我趴在偏房一處隱蔽的房頂上張望焰薄。 院中可真熱鬧,春花似錦扒袖、人聲如沸塞茅。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,601評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)野瘦。三九已至,卻和暖如春飒泻,著一層夾襖步出監(jiān)牢的瞬間鞭光,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,702評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工泞遗, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留惰许,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 49,191評(píng)論 3 378
  • 正文 我出身青樓史辙,卻偏偏與公主長(zhǎng)得像汹买,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子聊倔,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,781評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容