#PS：要转载请注明出处，本人版权所有
#PS:这个只是 《 我自己 》理解，如果和你的
#原则相冲突，请谅解，勿喷
Notes:本人此前只对opencv处理图像有一定的了解。
前序：从毕业后开始，自己工作的周围就出现了无数次计算机视觉相关的内容。而我的工作也和这些有一定的交叉。虽然在学校对并行计算以及AI有一定所闻，但是都只是听说而已，以为离我们还很远，出来才知道，它们已经来了。此文由网上众多Lenet-5相关的文章和论文原文经过我的组合和理解后写出，只作为我的一个学习笔记。
LeNet-5简介
CNN里面的一篇代表性文章，主要是涵盖了现在CNN的卷积、池化、全连接等概念，同时其层数很浅，方便我学习。（这里主要基于LeNet5论文讲解，现在的caffe和tf上带的LeNet-5工程是和原文不同的，具体在后序两篇文章分析。）
LeNet-5网络简介
此截图来至于，LeNet-5论文原文。
主要由以下构成：
INPUT输入、C1卷积层、S2池化层（(求和取平均)*w+b）、C3卷积层（此层是按照一定的规则卷积，所以不易理解，和C1,C5基本卷积操作不同）、S4池化层（S2类似）、C5卷积层、F6全连接映射的是一个字符表、OUTPUT打分输出（RBF）
Input层
size:32*32
C1层
卷积核(CC):5*5
stride：1
pad：0
featuremapcount：6
featuremapsize：28*28
（计算方法：32-5+1= 28）
(计算公式：O=（I+2*pad-CC）/ stride+1)
参数个数：6*（5*5+1）=156
连接个数：（5*5+1）*28*28*6
（featuremap每个像素和5*5个w和一个b有一个连接。w是权重，b是偏置）
S2层
核:2*2
stride：2
featuremapcount：6
featuremapsize：14*14
（计算方法：28/2,对核进行求和，然后乘以w，加上一个偏置）
参数个数：(1+1)*6=12
连接数：(4*1+1)*14*14*6=5880
(不同的人有不同的理解，反正就是featuremap每个像素和上层的连线，这里是:4个像素求和平均乘以w加上一个b)
C3层
卷积核(CC):5*5
stride：1
pad：0
featuremapcount：16
（计算方法：下图每列对应一个featuremap，分为四组，0-5（分别和上层3个featuremap计算），6-11（同理），12-14（同理），15（同理）。）
featuremapsize：10*10
(14-5+1=10)
参数个数：6*（3*5*5+1）+6*（4*5*5+1）+3*（4*5*5+1）+1*(6*5*5+1)=1516(分组计算)
连接个数：1516*10*10=151600(同上)
S4层
核:2*2
stride：2
featuremapcount：16
featuremapsize：5*5
参数个数：(1+1)*6=12
连接数：(4*1+1)*5*5*16=2000
C5层
卷积核(CC):5*5
stride：1
pad：0
featuremapcount：120
featuremapsize：1*1
参数个数：(5*5*16+1)*120=48120
(此处由于每个像素都和前一层16个featuremap相连)
连接数：48120*1*1=48120
F6层
featuremapcount：84
(为了输出选的特定的数)
featuremapsize：1*1
参数个数：84*（120*1+1）=10164
（上层为1*1，全连接，输出为84*1*1）
连接数：84*（120*1+1）*1*1=10164
Output层
参数个数：84*10=840
连接数：84*10=840=840
说明：我只知道这个打分函数叫做RBF，具体就是计算输入和参数的向量距离，距离越近，就越有可能是当前数字。对于此函数的更深原理，我看了个大概，有兴趣的可以去研究。
总结
只要具备CNN基本理论知识（卷积核、步长、pad、池化、卷积、全连接）都可以慢慢的理解这个东西。由于我是新手，我知道新手对哪些很疑惑，所以对每一个值的计算我都有详细的写出，包括原理和出处。
#PS：请尊重原创，不喜勿喷
#PS：要转载请注明出处，本人版权所有.
有问题请留言，看到后我会第一时间回复