-
获取图像中的结构信息
利用图像物体的平移不变性 + 局部性
使用卷积层，代替全连接层，可获取图像中的 2D 结构信息。
优势：由于共享参数，所以参数更少。
-
LeNet-5 组成
2 + 3 结构
2个卷积层
3个全连接层
其中
-
卷积层 / 全连接层，都是做线性变换，因此每个层后面都跟一个 sigmod 函数，提供非线性。
-
卷积层，在非线性之后，再加一个汇聚层，做数据降维。
-
-
输入 / 输出
输入：手写数字
输出：0-9 每个可能结果的概率
-
网络结构
卷积层：增加通道数。高宽，根据 kernerl_size, padding, stride 调整
汇聚层：高宽分别减半，每个通道的元素个数为原来的 1/4 ，即25%
特征形状拉平：将一个样本的所有特征元素，拉平为 1 维度的向量。以便做全连接
全连接层：减少 1维向量的维度。最终每个样本，降至 10 个值。表示 0-9 这 10个数字的概率分别是多少。
参考：