LeNet 全称为 LeNet-5，是一种早期的卷积神经网络 (CNN) 架构，由 Yann LeCun 和他的团队在 1997 年开发，专门用于手写数字识别任务。论文「Gradient-Based Learning Applied to Document Recognition」详细介绍了 LeNet-5 的网络结构和训练过程。

LeNet-5 是深度学习和卷积神经网络领域的开创性工作，它奠定了现代深度学习中许多关键概念的基础，如卷积层、池化层和全连接层。

LeNet-5 的架构相对简单，总共包含 7 层（不包括输入层），具体包括两个卷积层（C1 和 C3），两个池化层（S2 和 S4），随后是两个全连接层（F6 和输出层）。卷积层负责提取图像特征，而池化层则负责降低特征的空间维度，同时增加对图像位移的不变性，最终的全连接层用于分类任务。