Réseau Neuronal Convolutif LeNet

LeNet, également connu sous le nom de LeNet-5, est une architecture précoce de réseau neuronal convolutif (CNN) développée par Yann LeCun et son équipe en 1997 spécifiquement pour les tâches de reconnaissance de chiffres manuscrits. papier"Apprentissage basé sur le gradient appliqué à la reconnaissance de documents« La structure du réseau et le processus de formation de LeNet-5 sont présentés en détail.

LeNet-5 est un travail pionnier dans le domaine de l'apprentissage profond et des réseaux de neurones convolutifs, qui a jeté les bases de nombreux concepts clés de l'apprentissage profond moderne, tels que les couches convolutives, les couches de pooling et les couches entièrement connectées.

L'architecture de LeNet-5 est relativement simple, composée d'un total de 7 couches (à l'exclusion de la couche d'entrée), dont deux couches convolutives (C1 et C3), deux couches de pooling (S2 et S4), suivies de deux couches entièrement connectées (F6 et la couche de sortie). La couche de convolution est responsable de l'extraction des caractéristiques de l'image, tandis que la couche de regroupement est responsable de la réduction de la dimension spatiale des caractéristiques tout en augmentant l'invariance au déplacement de l'image. La couche finale entièrement connectée est utilisée pour les tâches de classification.