dl4j的1.0.0-beta7版本，用minist训练出来的LeNet-5模型

卷积神经网络基础 卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来

LeNet-5出自论文Gradient-Based Learning Applied to Document Recognition，是一种用于手写体字符识别的非常高效的卷积神经网络。 LeNet5源码，带详细注释。 mnist_data及论文 以飨初学者

博客地址:https://blog.csdn.net/HUXINY/article/details/88669086 基于caffe lenet 中文车牌字符识别实现，包括数据集，训练好的网络模型

总结了卷积神经网络LeNet-5的网络结构以及相关原理，完成了Pytorch上的代码实现，并对Minist、CIFAR10数据集进行了训练和测试

采用Keras编写的神经网络与深度学习数字识别程序两例。介绍了加载数据集文件的三种方法；第1例为MLP数字识别程序，第2例为LeNet数字识别程序(配LeNet网络架构图一幅，并与程序中的代码段对应)，程序可读性强并通过验证测试。

CNN_LeNet-5_onedimension 关于如何将CNN与一维信号一起使用

针对采用全卷积神经网络去除地震数据随机噪声方法中遇到的计算量大、容易出现过拟合等问题,提出了一种基于LeNet-5改进的卷积神经网络对地震数据进行去噪的方法。除去输入层,该方法包含2个卷积层、2个池化层和1个全输出层。采用误差最小的实验试选法,首先在单层卷积网络中确定第1个卷积层和池化层的参数,基于第1层参数确定第2个卷积层和池化层的参数, 最后采用12000个大小为32×32的地震数据训练LeNet-5,采用1000个相同大小、相同信噪比的地震数据测试系统。Marousi2叠前和叠后地震数据去噪实验均表明,本文方法对水平和倾斜同相轴地震数据的去噪效果较好。与奇异值分解算法、BP(Back Propagation)算法以及文献[9]中算法相比,本文方法能更好地去除噪声。

lenet_mnist_model模型参数

LeNet-5识别手写数字的代码~~注意，这里是代码不是mnist数据，代码中用到的已经转换成png格式的mnist数据集在另一个链接里哦~~