为什么LeNet5倒数第二个全连接层维度为84？
相信大家也都知道LeNet5这个经典的卷积神经网络，它有3个全连接层，输出维度分别是120，84，10，不知道大家知不知道为什么倒数第2个全连接层的维度是84呢？
作者/编辑 言有三
LeNet5的网络结构如下。
作为一个用于手写数字识别的网络，它的最后输出是1*10的向量，而倒数第2层却不是我们熟悉的4096，1024，512这样的2的指数次幂的维度，而是84，那这是为什么呢。
解答：因为在计算机中字符的编码是ASCII编码，这些图是用7*12大小的位图表示的，也就是高宽比为7:12，如下图，选择这个大小可以用于对每一个像素点的值进行估计。
就这么简单，不过既然来了就多说两句吧。
上图显示了ASCII中的96个可打印字符，其中32是空格，不可见。
另外0～31以及127是控制字符/通信字符，控制字符如：LF（换行）、CR（回车）、DEL（删除）等；通信字符如：SOH（文头）、EOT（文尾）、ACK（确认）等，这两类字符是不可打印的。
思考
是不是很粗暴的设定，居然跟位图的大小有关。通常我们现在设定全连接层的维度都会是2的指数次幂或者最终分类数，不知道你有没有见过一些其他的设定？
