标签：大学 图片大小 改变 channels channel 适应 code 神经元 图片
Lenet 神经网络结构为：
①输入为 32*32*1 的图片大小，为单通道的输入；
②进行卷积，卷积核大小为 5*5*1，个数为 6，步长为 1，非全零填充模式；
③将卷积结果通过非线性激活函数；
④进行池化，池化大小为 2*2，步长为 1，全零填充模式；
⑤进行卷积，卷积核大小为 5*5*6，个数为 16，步长为 1，非全零填充模式；
⑥将卷积结果通过非线性激活函数；
⑦进行池化，池化大小为 2*2，步长为 1，全零填充模式；
⑧全连接层进行 10 分类。
Lenet 神经网络的结构图及特征提取过程如下所示：
Lenet 神经网络的输入是 32*32*1，经过 5*5*1 的卷积核，卷积核个数为 6 个，采用非全零填充方式，步长为 1，根据非全零填充计算公式：输出尺寸=（输入尺寸-卷积核尺寸+1）/步长=（32-5+1）/1=28.
故经过卷积后输出为 28*28*6。
经过第一层池化层，池化大小为 2*2，全零填充，步长为 2，由全零填充计算公式：输出尺寸=输入尺寸/步长=28/2=14，池化层不改变深度，深度仍为 6。
用同样计算方法，得到第二层池化后的输出为 5*5*16。
将第二池化层后的输出拉直送入全连接层。
根据 Lenet 神经网络的结构可得，Lenet 神经网络具有如下特点：
①卷积（Conv）、池化（ave-pooling）、非线性激活函数（sigmoid）相互交替；
②层与层之间稀疏连接，减少计算复杂度。
对 Lenet 神经网络进行微调，使其适应 Mnist 数据集：
由于 Mnist 数据集中图片大小为 28*28*1 的灰度图片，而 Lenet 神经网络的输入为 32*32*1，故需要对 Lenet 神经网络进行微调。（微调是如何进行调整？整个网络的对接是如何进行？后面博客继续学习）
①输入为 28*28*1 的图片大小，为单通道的输入；
②进行卷积，卷积核大小为 5*5*1，个数为 32，步长为 1，全零填充模式；
③将卷积结果通过非线性激活函数；
④进行池化，池化大小为 2*2，步长为 2，全零填充模式；
⑤进行卷积，卷积核大小为 5*5*32，个数为 64，步长为 1，全零填充模式；
⑥将卷积结果通过非线性激活函数；
⑦进行池化，池化大小为 2*2，步长为 2，全零填充模式；
⑧全连接层，进行 10 分类。
Lenet 进行微调后的结构如下所示：
前面第五、六讲中，输入mnist数据集是28*28像素，输出是长度为10的一维数组；
现在运用Lennet神经网络
图片大小即每张图片分辨率为 28*28，故 IMAGE_SIZE 取值为 28；
Mnist 数据集为灰度图，故输入图片通道数 NUM_CHANNELS 取值为 1；
第一层卷积核大小为 5，卷积核个数为 32，故 CONV1_SIZE 取值为 5，CONV1_KERNEL_NUM 取值为 32；
第二层卷积核大小为 5，卷积核个数为 64，故 CONV2_SIZE 取值为 5， CONV2_KERNEL_NUM为 64；
全连接层第一层为 512 个神经元，故FC_SIZE 取值为 512，
全连接层第二层为 10 个神经元，OUTPUT_NODE 取值为 10，实现 10 分类输出。
注：本文章通过观看北京大学曹健老师的Tensorflow视频，笔记总结而来的。
标签：大学 图片大小 改变 channels channel 适应 code 神经元 图片
原文地址：https://www.cnblogs.com/fcfc940503/p/11082180.html
