第一層：輸入層32x32（28x28）大小的圖像贱田。明顯特征能夠出現(xiàn)在最高層特征監(jiān)測(cè)子感受野的中心威根。（筆畫斷續(xù)凤巨、角點(diǎn)）
第二層：C1，卷積層洛搀。原始信號(hào)特征增強(qiáng)敢茁，降低噪音，不同的卷積核能夠提取到不同的圖像特征留美。
feature map個(gè)數(shù)：6個(gè) 3232
conv kernel大姓妹省：5 * 5
神經(jīng)元個(gè)數(shù)：(32 - 5 + 1) * (32 - 5 + 1) = 28 * 28
訓(xùn)練參數(shù)個(gè)數(shù)： (5 * 5 + 1) * 6 = 156
連接數(shù)： (5 * 5 + 1) (28 * 28) * 6 = 122304
第三層：S2，下采樣層谎砾。降低網(wǎng)絡(luò)訓(xùn)練參數(shù)和模型的過(guò)擬合程度逢倍。兩種方法：均值、最大值景图。
feature map個(gè)數(shù)：6個(gè)14 * 14瓶堕，與C1中的2 * 2的區(qū)域相連。
神經(jīng)元計(jì)算：sigmoid (2 * 2 的輸入相加 * 一個(gè)訓(xùn)練參數(shù) + 該feature map的bias)
神經(jīng)元個(gè)數(shù)：14 * 14
訓(xùn)練參數(shù)個(gè)數(shù)： 2 * 6 = 12
連接數(shù)：(2 * 2 + 1) * (14 * 14) * 6 = 5880
第四層：C3症歇，卷積層郎笆。
conv kernel大小：5 * 5
feature map個(gè)數(shù)：16個(gè)14 * 14
神經(jīng)元個(gè)數(shù)： (14 - 5 + 1) * (14 - 5 + 1) = 10 * 10
該層feature map是由上一層的各feature map的不同組合而成的忘晤，所以訓(xùn)練參數(shù)為：
(5 * 5 * 3 + 1) * 6 + (5 * 5 * 4 + 1) * 9 + (5 * 5 * 6 + 1) * 1 = 1516
連接數(shù)：1516 * 10 * 10 = 151600
第五層：S4宛蚓，下采樣層。
feature map個(gè)數(shù)：16個(gè)5 * 5设塔， 與C3中對(duì)應(yīng)的feature map的2 * 2大小的區(qū)域相連凄吏。
訓(xùn)練參數(shù)個(gè)數(shù)： 2 * 16 = 32
連接數(shù)： (2 * 2 + 1) * (5 * 5) * 16 = 2000
第六層：C5，卷積層。
feature map個(gè)數(shù)：120個(gè)5 * 5
conv kernel： 5 * 5
神經(jīng)元個(gè)數(shù)：(5 - 5 + 1) * (5 - 5 + 1) = 1
訓(xùn)練參數(shù)個(gè)數(shù)：(5 * 5 * 16 + 1) * 120 = 48120
連接數(shù)： 48120 * 1 = 48120
第七層：F6痕钢，全連接層图柏。
feature map個(gè)數(shù)：84
神經(jīng)元：每個(gè)feature map只有一個(gè)神經(jīng)元與C5層全連接，故
連接數(shù)與參數(shù)個(gè)數(shù)：（1 * 1 * 120 + 1）* 84 = 10164
計(jì)算輸入向量和權(quán)重向量之間的點(diǎn)積和偏置任连，之后將其傳遞給sigmoid函數(shù)來(lái)計(jì)算神經(jīng)元蚤吹。
第八層：輸出層。10個(gè)節(jié)點(diǎn)随抠。
84 * 10個(gè)設(shè)定參數(shù)和連接裁着。
如果節(jié)點(diǎn) i 的值為0，則識(shí)別的內(nèi)容為 i 拱她。
采用RBF二驰。
