CNN在mnist数据集上实现

这次我们使用CNN中最经典的Lenet网络在mnist数据集上进行训练和预测。

• 卷积NN
  主要有两部分组成，一部分是对输入图片特征提取，一部分是全连接网络，主要组成操作包括卷积、池化、激活等。

• Lenet网络模型
  Lenet是提出比较早，能有效解决手写数字图片识别的卷积模型，模型结构如下：

  
  
  

  0.PNG

其中，padding=valid代表非全0填充，输出图片尺寸=（输入尺寸-卷积核尺寸+1）/步长；padding=same代表全0填充，输出尺寸=输入尺寸/步长；pooling不改变深度。
对Lenet进行调整使其使用于mnist数据集，结构如下：

Lenet_on_mnist.PNG

实现还是分三模块：forward，backwa，test，主要改变是在forward：

lenet1.png

定义获得权重、偏执，增加对卷积，池化的函数。

lenet2.png

按上层结构前向传播，返回预测值。

backward和test跟上一篇中改动不大，主要是要注意输入的大小：

leb1.png

输入占位大小改变

leb2.png

喂入的barch_size大小改变
同理，在test文件中，测试数据的大小也相应改变。

---

新手学习，欢迎指教！