科普知识
对于深度学习或机器学习模型而言，我们不仅要求它对训练数据集有很好的拟合（训练误差），同时也希望它可以对未知数据集（测试集）有很好的拟合结果（泛化能力），所产生的测试误差被称为泛化误差。度量泛化能力的好坏，最直观的表现就是模型的过拟合（overfitting）和欠拟合（underfitting）。
回顾
犹记深度学习理论篇最近的一篇文章分享了降维之池化，从那以后我们就开始了深度学习实战TensorFlow的分享，按照之前的进度，分享完池化后差不多卷积神经网络的基础模块就结束了，于是让大家走进实战去了解整个神经网络的搭建和训练，如此便可让大家从基础到整体，从底层到上层有了一个总体轮廓。从今天起，我们正式回归理论篇的分享，之前也说过深度学习的理论一直在发展，因此，理论篇和实战篇可能永远都不会结束，基础模块分享完之后，我们首先从卷积神经网络的一些经典论文开始分享，然后去进行实战操作，愿各位不虚此行。
一、LetNet-5
本期文章，我们分享经典卷积神经网络的开山之作LetNet-5网络,该神经网络架构由LeCun在1998年提出，用于识别手写数字。那会估计都没几个人知道有深度学习这东西的时候，人家就已经提出来了，而且效果较传统方法非常之不错，从那以后，各路大神横空出世，各路卷积神经网络风起云涌，逐渐演变成了今天的万物皆AI的现状。
LetNet-5 论文名：Gradient-Based Learning Applied to Document Recognition。
放几张论文图：
1.LetNet-5 网络结构图
以上就是LetNet-5的网络结构图，从图中我们可以看到输入的是一张手写的英文字母A,随后经过进了卷积层-下采样-卷积层-下采样-全连接层-全连接层，最终输出该输入图片属于每个数字的概率，实际测试的时候取最大概率值的索引值为最终预测值。
最终识别效果图如下所示：
网络解析
1.输入层：一张原始图像，其shape为1*32*32，代表是灰度图（单通道），图像大小为32*32.
2.卷积层1：
输入：1*32*32
卷积核大小：5*5
卷积核个数：6
步长：默认为1
输出特征图大小：32-5 1 =28 ，即 28*28
输出特征图shape：6*28*28 代表6个28*28的特征图，6可理解为28*28大小的特征图有6个通道。
3.下采样层1：
采样方式：平均池化
输入：6*28*28
采样区域：2*2
步长：默认为1
输出特征图大小：28/2 = 14，即14*14
输出特征图shape:6*14*14
4.卷积层2：
输入：6*14*14
卷积核大小：5*5
卷积核个数：16
步长：1
输出特征图大小：14-5 1=10,即10*10
输出特征图shape:16*10*10
5.下采样2：
采样方式：平均池化
输入：16*10*10
采样区域：2*2
步长：默认为1
输出特征图大小：10/2 = 5，即5*5
输出特征图shape:16*5*5
6.卷积层3：
输入：16*5*5
卷积核大小：5*5
卷积核个数：120
步长：1
输出特征图大小：5-5 1=1,即1*1
输出特征图shape:120*1*1
7.全连接层1：
输入：120*1*1等效于120
输出神经元：84
输出特征图shape:84
8.全连接层2：
输入：84
输出神经元：10
输出特征图shape:10
至此，一张图像经过LetNet-5网络后就变成了一个长度为10的向量。训练的时候，就会将这10个值传入到loss函数中计算当前的loss大小，随后进行反向传播。
在实际测试的时候，会将这十个值的向量经过一个softmax函数，得到每一个值的概率，值越大，概率越大，概率之和为1。
总结
LetNet-5是第一个真正意义上的卷积神经网络，它是当前神经网络的开山鼻祖，由于当时的计算机技术发展缓慢，其在涉及之初就考虑到了参数大小的影响，因此整个网络具有非常简洁，参数量小，训练速度快等优点。
结语
本期分享就到这里了，今天的知识很简单，主要分析了网路的构造和每一层的维度大小，理论讲完，就趁热打铁，下期文章，我们将会用TensorFlow进行实战，编写LetNet-5网络用语手写数字识别，敬请期待，学有余力的老铁们可以提前尝试哦。
周末愉快，下期再见！
