深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络

卷积神经网络LeNet5 C语言源码，可以更改成自己的模型。

利用PyTorch实现卷积神经网络LeNet-5，详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121289390

lenet.network文件，用于openmv做数字识别

LeNet-5论文英文原版，模型可用于手写数字识别，文字清晰。

该项目中实现的LeNet-5模型具有3个卷积层和2个全连接层。 它具有62,000个训练参数，图像输入大小为32 * 32。 经过训练，该模型在MNIST测试装置上达到了98.48％的精度。 MNIST是手写数字的数据集，具有70,000个居中固定大小的灰度图像。 有关数据集的更多详细信息，请参见： http://yann.lecun.com/exdb/mnist 运行GUI并选择您的图像。

LeNet-5模型 1990 年代提出的LeNet-5使卷积神经网络在当时成功商用，下图是 LeNet-5 的网络结构图，它接受32 × 32大小的数字、字符图片，这次将LeNet-5模型用来识别MINIST数据集中的数字，并在测试集中计算其识别准确率。 根据上图的网络结构，可以得出下图的模型结构图： 完整代码示例 第一部分：数据集的加载与预处理 import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets # 导入经典数据集加载模块 # 加载 MNIST 数据集 (x

pytorch-cifar10 使用PyTorch在CIFAR10上的个人实践灵感来自来自 。 介绍 CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 有50000张训练图像和10000张测试图像。 数据集分为五个训练批次和一个测试批次，每个批次具有10000张图像。 测试批次包含每个类别中恰好1000个随机选择的图像。 训练批次按随机顺序包含其余图像，但是某些训练批次可能包含比另一类更多的图像。 在它们之间，培训批次包含每个班级的正好5000张图像。 要求 python3.6 麻木 火炬0.4.0 火炬视觉0.2.0 用法 python3 main.py 可选参数： --lr default=1e-3 learning rate --epoch default=200

Lenet卷积核改变为3*3，原来7层改为9层，效果比原论文中好

lenet_iter_10000.caffemodel lenet_iter_5000.caffemodel