目录
第1章 卷积神经网络基础
1.1 卷积神经发展与进化史
1.2 卷积神经网络的核心要素
1.3 卷积神经网络的描述方法
1.4 人工智能三巨头 + 华人圈名人
第2章 LeNet概述
第3章 LeNet-5网络结构分析
3.1 网络结构描述-垂直法
3.2 网络结构描述-厚度法
3.3 分层解读
3.4 分析结果示意
第1章 卷积神经网络基础
1.1 卷积神经发展与进化史
AlexNet是深度学习的起点，后续各种深度学习的网络或算法，都是源于AlexNet网络。
1.2 卷积神经网络的核心要素
1.3 卷积神经网络的描述方法
1.4 人工智能三巨头 + 华人圈名人
Yoshua Bengio、Yann LeCun、Geoffrey Hinton共同获得了2018年的图灵奖。
杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton），计算机学家、心理学家，被称为“神经网络之父”、“深度学习鼻祖”。Hinton是机器学习领域的加拿大首席学者，是加拿大高等研究院赞助的“神经计算和自适应感知”项目的领导者，是盖茨比计算神经科学中心的创始人，目前担任多伦多大学计算机科学系教授。2013年3月，谷歌收购 Hinton 的公司 DNNResearch 后，他便随即加入谷歌，直至目前一直在 Google Brain 中担任要职。
Yoshua Bengio是蒙特利尔大学（Université de Montréal）的终身教授，任教超过22年，是蒙特利尔大学机器学习研究所（MILA）的负责人，是CIFAR项目的负责人之一，负责神经计算和自适应感知器等方面，又是加拿大统计学习算法学会的主席，是ApSTAT技术的发起人与研发大牛。Bengio在蒙特利尔大学任教之前，是AT&T贝尔实验室 & MIT的机器学习博士后。
Yann LeCun，担任Facebook首席人工智能科学家和纽约大学教授，1987年至1988年，Yann LeCun是多伦多大学Geoffrey Hinton实验室的博士后研究员。
第2章 LeNet概述
LeNet神经网络由上述深度学习三巨头之一的Yan LeCun提出。
如果说Hinton是深度学习之父，那么Yan LeCun就是卷积神经网络 (CNN，Convolutional Neural Networks)之父。
LeNet主要用它来进行手写字符的识别与分类，并在美国的银行中投入了使用。
LeNet的实现确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层，Pooling层，ReLU层。
虽然LeNet早在20世纪90年代就已经提出了，但由于当时缺乏大规模的训练数据，计算机硬件的性能也较低，因此LeNet神经网络在处理复杂问题时效果并不理想。
虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门学习。
第3章 LeNet-5网络结构分析
LeNet-5共有7层，不包含输入，每层都包含可训练参数；每个层有多个Feature Map，每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元，最后进行10分类。
3.1 网络结构描述-垂直法
3.2 网络结构描述-厚度法
3.3 分层解读
（0）输入层：
- 32 * 32 * 1
（1）C1层（卷积层1）：28×28 * 6
- 卷积核尺寸：5 * 5
- 步长：1
- 特征图尺寸：28 * 28
- 卷积核个数：6
- 参数个数：（5 * 5 + 1） * 6
- 计算量：（5 * 5 + 1） * （28 * 28 ）* 6
（2）降采样1:14 * 14 * 6
- 类型：平均
- 降采样输出：14 * 14 * 6
- 降低比例：14/28 = 1/2
（3）C2层（卷积层1）：10×10 * 16
- 特征图尺寸：10 * 10
- 卷积核个数：16
- 参数个数：（5 * 5 + 1） * 16
- 计算量：（5 * 5 + 1） * （10* 10)* 6
（4）降采样2
- 降采样输出：5 * 5 * 16
- 降低比例: 5/10 = 1/2
（5）全连接1：
- 输入：5 * 5 * 16 = 160
- 神经元：120
- 输出：120
- 激活函数 ：无
（6）全连2：
- 输入：160
- 神经元：84
- 输出：84
（7）全连接3
- 输入：86
- 神经元：10
- 输出：10
- 激活函数 ：softmax
3.4 分析结果示意