卷积神经网络（LeNet 5）。C3、C5层施工
http://i60.tinypic.com/no7tye.png图1卷积神经网络（LeNet5）
在卷积神经网络（LeNet 5）上，图1卷积过程（C1），通过迭代manneur计算最大池（子采样）（S2，S4）层。但我不明白如何正确地进行C3（卷积）层。
http://tinypic.com/r/fvzp86/8图2继续C1层
首先，作为输入，我们接收数字的MNIST 32*32灰度图像，将其视为大小为32*32的字节数组。在C1层中，我们有6个不同的（不同的）内核，其中填充了随机的小值。从1到6的每个内核用于构建6个不同的特性映射（每个特性映射一个内核）。将大小为5*5的感受野从左到右移动一个1像素的步幅（偏差），将图像阵列中的值乘以核值加上偏差，并通过sigmoid函数。结果是当前构建的特征图的i，j。一旦到达图像阵列的末尾，我们就完成了当前特征图的构建。
http://i57.tinypic.com/rk0jk9.jpg图3处理S2层
接下来，我们开始生成S2层，再次将有6个特征图，因为我们分别为C1层的6个特征图中的每一个使用2×2感受野（使用最大池操作，在2×2感受野中选择最大值）。进行C1、S2、S4的迭代操作。
http://i58.tinypic.com/ifsidu.png图4 C3层连接列表
但接下来我们需要计算C3层。根据各种论文，存在一个连接图。您能说说在连接列表下看到了什么吗？这是否意味着我们仍将使用C1层中的5*5感受野。例如，我们看到在第一行中有一个标记的特征映射，对应于列（0,4,5,6,9,10,11,12,14,15）。这是否意味着要构建C3层的0,4,5,6,9,10,11,12,14,15特征图，我们将在S2层的第一个特征图下进行卷积运算，感受野为5×5。在卷积运算期间将使用什么样的具体内核，或者再次，我们需要随机生成16个填充了少量数字的内核，就像我们在C1层所做的那样。如果是，我们将看到C3的特征映射为0,4,5,6,9,10,11,12,14,15，颜色为浅灰色、浅灰色、深灰色、深灰色、浅灰色、深灰色、浅灰色、浅灰色、深灰色。可以清楚地看到，S2的第一个特征图为浅灰色，但只有0,4,6,10,12,14为浅灰色。因此，C3中16个特征图的构建可能以不同的方式进行。您能告诉我如何制作C5层，它会有一些特定的连接列表吗？
共有2个答案
论文中关于“C5”的关键点似乎是5x5内核应用于所有16个或S4的特征映射-一个完全连接的层。
“每个单元连接到所有16个S4特征地图上的5x5邻域”。
由于我们有120个输出单元，我们应该有120个偏置单元连接（否则架构细节不一致）。
然后，我们连接所有25x16输入单元以生成一个特征映射输出。
所以我们总共有
num\u连接=（25x16 1）x120=48000 120=48120
免责声明：我刚刚开始这个话题，所以请指出我概念中的错误！
>
在最初的Lenet论文第8页中，您可以找到一个连接图，它将S2的不同层链接到C3的层。这个连接列表告诉我们S2的哪些层正在与内核进行卷积（细节即将出现），以生成C3层。
你会注意到，S2的每一层都会产生10层（不是全部16层）C3。这表明内核的大小是（5x5x6）x 10。
在C1中，我们有一个（5x5）x 6内核，即5x5和6个特征映射。这是二维卷积。在C3中，我们有（5x5x6）x 10个内核，即带有10个特征映射的“内核盒”。这10个特征映射和内核盒结合起来生成16层，而不是6层，因为它们没有完全连接。
关于核权重的生成，它取决于算法。它可以是随机的、预定义的或使用某种方案，例如caffe中的xavier。
让我困惑的是，内核细节没有得到很好的定义，必须从给定的信息中派生出来。
更新：C5是如何生产的？
C5层是一个具有120个特征地图的卷积层。C5特征映射的大小为1x1，因为在S4上应用了5x5内核。在32x32输入的情况下，我们也可以说S4和C5完全连接。应用于S4以获得C5的内核大小为（5x5x16）x 120（未显示偏差）。本文没有明确给出这120个内核盒如何连接到S4的详细信息。然而，作为提示，提到S4和C5是完全连接的。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Krizhev
-
在“多层感知机的从零开始实现”一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开，得到长度为784的向量，并输入进全连接层中。然而，这种分类方法有一定的局限性。 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像，使用全连接层容易造成模型过大