keras实现Lenet5（手写字符识别mnist）

• Lenet流程
  第一层为6个5X5卷积核，步长为11，不扩展边界，输入单通道的灰度图像，输入图像尺寸为32x32；
  第二层为2X2的最大值池化层，步长为2X2；
  第三层为16个5X5卷积核，步长为11，不扩展边界；
  第四层为2X2的最大值池化层，步长为2X2；
  第五层为展平层，把前面输出的二维数据矩阵打开展开成一维数据，和全连接层对接
  第六层为全连接层，120个节点；
  第七层为全连接层，84个节点；
  第八层为输出层，激活函数为softmax。

代码：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten,Dropout
import keras
from keras.datasets import mnist
from keras.utils import np_utils
from keras.layers import BatchNormalization
import cv2
import numpy as np
print(cv2.version)
#加载数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()
img_x, img_y = X_train.shape[1], X_train.shape[2]

#数据预处理

X_train=[cv2.cvtColor(cv2.resize(i,(32,32)),cv2.COLOR_GRAY2RGB) for i in X_train]
X_test=[cv2.cvtColor(cv2.resize(i,(32,32)),cv2.COLOR_GRAY2RGB) for i in X_test]
X_train = np.array(X_train,dtype=np.float32)/ 255.0
X_test = np.array(X_test,dtype=np.float32)/ 255.0
#X_train = X_train.astype('float32')
#X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

#to_categorical（）将类别向量转换为二进制（只有0和1）的矩阵类型表示
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)
input_shape=(32,32,1)

model = Sequential()
model.add(Conv2D(6,kernel_size=(5,5),padding='valid',strides=(1,1),activation='relu'))
model.add(BatchNormalization())
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Conv2D(16,kernel_size=(5,5),padding='valid',strides=(1,1),activation='relu'))
model.add(BatchNormalization())
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Flatten())
model.add(Dense(120,activation='relu'))
model.add(BatchNormalization())
model.add(Dense(84,activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))

#模型编译
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

#训练
model.fit(X_train, y_train, batch_size=128, epochs=10)

#评估模型
score = model.evaluate(X_test, y_test)
print('acc', score[1])