结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层

每层有多个Feature Map（每个Feature Map有多个神经元）

Feature Map通过一种卷积滤波器提取输入的一种特征

各层参数详解：

1、INPUT层——输入层（本层不算LeNet的网络结构）

输入图像尺寸统一归一化为32*32

2、C1层——卷积层

      卷积核大小：5*5

      卷积核种类：6

      输出featuremap大小：28*28 （32-5+1）=28

      神经元数量：28*28*6

      可训练参数：（5*5+1) * 6（每个滤波器5*5=25个unit参数和一个bias参数，一共6个滤波器）

      连接数：（5*5+1）*6*28*28=122304

3、S2层-池化层（下采样层）

输入：28*28

      采样区域：2*2

      采样方式：4个输入相加，乘以一个可训练参数，再加上一个可训练偏置。结果通过sigmoid

      采样种类：6

      输出featureMap大小：14*14（28/2）

      神经元数量：14*14*6

      可训练参数：2*6（和的权+偏置）

      连接数：（2*2+1）*6*14*14

      S2中每个特征图的大小是C1中特征图大小的1/4。

4、C3层——卷积层

输入：S2中所有6个或者几个特征map组合

      卷积核大小：5*5

      卷积核种类：16

      输出featureMap大小：10*10 (14-5+1)=10

5、S4层——池化层（下采样层）

输入：10*10

       采样区域：2*2

      采样方式：4个输入相加，乘以一个可训练参数，再加上一个可训练偏置。结果通过sigmoid

      采样种类：16

      输出featureMap大小：5*5（10/2）

      神经元数量：5*5*16=400

      可训练参数：2*16=32（和的权+偏置）

      连接数：16*（2*2+1）*5*5=2000

      S4中每个特征图的大小是C3中特征图大小的1/4

6、C5层——卷积层

     输入：S4层的全部16个单元特征map（与s4全相连）

     卷积核大小：5*5

     卷积核种类：120

     输出featureMap大小：1*1（5-5+1）

     可训练参数/连接：120*（16*5*5+1）=48120

7、F6层——全连接层

 输入：c5 120维向量

      计算方式：计算输入向量和权重向量之间的点积，再加上一个偏置，结果通过sigmoid函数输出。

      可训练参数:84*(120+1)=10164

8、output层——全连接层

Output层也是全连接层，共有10个节点，分别代表数字0到9，且如果节点i的值为0，则网络识别的结果是数字i。采用的是径向基函数（RBF）的网络连接方式。假设x是上一层的输入，y是RBF的输出，则RBF输出的计算方式是：

GitHub：

GitHub - activatedgeek/LeNet-5: PyTorch implementation of LeNet-5 with live visualization