Yann LeCun的LeNet-5用于人脸识别，使用ORL人脸数据库。代码使用pyTorch框架编写。

基于Python的LeNet-5卷积神经网络的实现（分类）

卷积神经网络LeNet-5的pytorch代码实现，关于详细内容，可以参考博客：https://blog.csdn.net/didi_ya/article/details/108317958

针对计算机辅助乳腺疾病诊断方法准确率低、耗时长等问题，提出一种基于改进的 卷积神经网络（CNN）的乳腺疾病诊断方法．该方法从以下3个方面做了改进：(1)设计双通道 卷积神经网络来解决单通道特征提取不充分的问题；(2)采用Dropout技术有效地防止过拟合现象；(3)采用支持向量机(SVM)代替传统的Softmax分类器以减少运算量，提高运算速度．测试结果表明：所提出的分类模型平均准确率高达92.31%，平均训练时间为968s，充分验证 了该方法的有效性。

c++ 实现的lenet-5 ， 开发环境是vs2015，打开工程就可以运行，大家可以下MNIST库试试，也希望跟大家学习交流

这个资源使用实现lenet-5的网络结构来MNIST数据集，代码参考了UFLDL上的相关的代码，以及R. B. Palm实现的CNN中的相关代码，为了适应数据集我把lenet-5输入的大小改为了28*28，c3的每一张特征图都与s4的每一张特征图相关，训练的结果可以达到99.1%

LeNet-5神经网络 C源代码，这个写的比较好，可以用gcc编译去跑，结合理论可以对深度学习有更深刻的了解 介绍 根据YANN LECUN的论文《Gradient-based Learning Applied To Document Recognition》设计的LeNet-5神经网络，C语言写成，不依赖任何第三方库。 MNIST手写字符集初代训练识别率97%，多代训练识别率98%。 DEMO main.c文件为MNIST数据集的识别DEMO，直接编译即可运行，训练集60000张，测试集10000张。 项目环境 该项目为VISUAL STUDIO 2015项目，用VISUAL STUDIO 2015 UPDATE1及以上直接打开即可编译。采用ANSI C编写，因此源码无须修改即可在其它平台上编译。 如果因缺少openmp无法编译，请将lenet.c中的#include和#pragma omp parallel for删除掉即可。 API #####批量训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 inputs： 要训练的多个图片对应unsigned char二维数组的数组,指向的二维数组的batchSize倍大小内存空间指针。在MNIST测试DEMO中二维数组为28x28，每个二维数组数值分别为对应位置图像像素灰度值 resMat：结果向量矩阵 labels：要训练的多个图片分别对应的标签数组。大小为batchSize batchSize:批量训练输入图像（二维数组）的数量 void TrainBatch(LeNet5 *lenet, image *inputs, const char(*resMat)[OUTPUT],uint8 *labels, int batchSize); #####单个训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 input： 要训练的图片对应二维数组 resMat：结果向量矩阵 label: 要训练的图片对应的标签 void Train(LeNet5 *lenet, image input, const char(*resMat)[OUTPUT],uint8 label); #####预测 lenet: LeNet5的权值的指针，LeNet5神经网络的核心 input: 输入的图像的数据 labels: 结果向量矩阵指针 count: 结果向量个数 return 返回值为预测的结果 int Predict(LeNet5 *lenet, image input, const char(*labels)[LAYER6], int count); #####初始化 lenet: LeNet5的权值的指针，LeNet5神经网络的核心

里面包含mnist数据集，不用再去下载，程序直接能用。由于model文件夹里有训练好的模型，可以直接跑测试，由于只跑了6000轮训练，不到完整的3W轮，所以只达到了98.8%，你们可以自己训练完一整套，能达到99.*%的准确率。若不满意，那自己调超参数 （初试的指数衰减率 和 每次衰减比率），好了，下次上传迁移学习的代码，下回见，