当前位置：首页 > news >正文

深度学习篇---LeNet-5

news 2025/8/27 9:01:40

要理解 LeNet-5，我们可以先记住它的 “身份标签”：卷积神经网络（CNN）的 “开山鼻祖” 之一，1998 年由计算机科学家 Yann LeCun（杨立昆）提出，核心用途是解决 “手写数字识别” 问题（比如银行自动识别支票上的手写账号）。

它的设计思路特别像 “人类看数字”—— 先看整体轮廓，再聚焦细节，最后判断是什么数字。下面我们用 “三层视角” 拆解它：先讲核心原理，再一步步走流程，最后说它的意义，保证零基础也能懂。

在 LeNet-5 之前，计算机识别数字靠 “暴力比对”（比如把输入的数字图片和模板逐像素对比），但只要数字写得歪一点、粗一点，就会认错。而 LeNet-5 靠两个 “黑科技” 解决了这个问题：

人类看数字 “8”，会先注意到 “上下两个圈”；看 “1”，会注意到 “一条竖线”。卷积层的作用就是自动提取这些 “关键特征”，不用人手动定义。

怎么提取？可以想象成用一个 “小滤镜”（专业叫 “卷积核”，比如 3×3 大小的方块）在数字图片上 “滑动”：

每滑一步，就计算 “滤镜” 和图片对应区域的 “相似度”—— 如果区域是 “竖线”，和 “竖线滤镜” 的相似度就高，输出一个亮值；如果是空白，相似度低，输出暗值。
最后会生成一张 “特征图”：图里的亮斑就是提取到的特征（比如竖线、圆圈、拐角）。

关键优势：不管数字写在图片的左边还是右边，只要有 “竖线” 特征，卷积层都能找到 —— 这叫 “平移不变性”，解决了 “数字位置歪一点就认错” 的问题。

卷积层提取的特征图可能很大（比如 28×28 像素），计算起来很慢。池化层的作用就是 **“压缩” 特征图，保留关键信息，去掉冗余细节 **。

最常用的是 “最大池化”（Max Pooling）：用一个 2×2 的小窗口在特征图上滑动，每个窗口里只留 “最大的那个值”（比如窗口里是 [1,0; 3,2]，就留 3）。

举个例子：一张 28×28 的特征图，经过 2×2 最大池化后，会变成 14×14（尺寸减半），但 “竖线、圆圈” 这些关键特征还在 —— 既减少了计算量，又让特征更 “鲁棒”（比如数字线条粗一点、细一点，池化后影响不大）。

LeNet-5 的结构很固定，总共 7 层（注意：输入层不算在 “7 层” 里），我们用 “手写数字图片（比如 28×28 像素）” 为例，一步步看它怎么工作：

我们要识别的数字，会先变成一张32×32 像素的灰度图（只有黑白，没有颜色，每个像素用 0-255 表示明暗，0 是黑色，255 是白色）—— 这是 LeNet-5 要求的 “标准输入格式”。

我们用表格拆解每一层的作用，像 “工厂流水线” 一样清晰：

层级顺序	层类型	核心作用	通俗例子（以识别 “8” 为例）	输入→输出尺寸变化
1	卷积层（C1）	提取 “边缘、线条” 等简单特征	找到 “8” 的外轮廓线条、内部交叉线	32×32 → 28×28（6 个特征图）
2	池化层（S2）	压缩特征图，保留线条特征	把 “8” 的轮廓线条 “变粗”，去掉细微的毛刺	28×28 → 14×14（6 个特征图）
3	卷积层（C3）	组合简单特征，提取 “拐角、圆圈” 等复杂特征	把 “8” 的上下两条弧线组合成 “两个圈”	14×14 → 10×10（16 个特征图）
4	池化层（S4）	再压缩，强化 “圆圈” 等关键特征	把 “8” 的两个圈变得更清晰，减少冗余	10×10 → 5×5（16 个特征图）
5	全连接层（C5）	把所有特征图 “拼起来”，变成一个 “特征向量”	把 “两个圈、交叉线” 等特征打包成一个 “8 的特征包”	16×5×5 → 120（120 个数值）
6	全连接层（F6）	进一步筛选关键特征，减少维度	从 “8 的特征包” 里挑出最关键的 3 个特征（比如圈的大小、交叉位置）	120 → 84（84 个数值）
7	输出层（Output）	输出 “是 0-9 中每个数字” 的概率	输出 “是 8 的概率 98%，是 0 的概率 1%，其他 0.2%”	84 → 10（10 个概率值，对应 0-9）