卷积神经网络(CNN)代码实现(MNIST)解析摘要.doc

卷积神经网络(CNN)代码实现(MNIST)解析 共7层：依次为输入层、C1层、S2层、C3层、S4层、C5层、输出层，C代表卷积层(特征提取)，S代表降采样层或池化层(Pooling)，输出层为全连接层。 1. 各层权值、偏置(阈值)初始化： 各层权值、偏置个数计算如下： (1)、输入层：预处理后的32*32图像数据，无权值和偏置； (2)、C1层：卷积窗大小5*5，输出特征图数量6，卷积窗种类1*6=6，输出特征图大小28*28，因此可训练参数(权值+偏置)：(5*5*1)*6+6=150+6； (3)、S2层：卷积窗大小2*2，输出下采样图数量6，卷积窗种类6，输出下采样图大小14*14，因此可训练参数(权值+偏置)：1*6+6=6+6； (4)、C3层：卷积窗大小5*5，输出特征图数量16，卷积窗种类6*16=96，输出特征图大小10*10，因此可训练参数(权值+偏置)：(5*5*6)*16+16=2400+16； (5)、S4层：卷积窗大小2*2，输出下采样图数量16，卷积窗种类16，输出下采样图大小5*5，因此可训练参数(权值+偏置)：1*16+16=16+16； (6)、C5层：卷积窗大小5*5，输出特征图数量120，卷积窗种类16*120=1920，输出特征图大小1*1，因此可训练参数(权值+偏置)：(5*5*16)*120+120=48000+120； (7)、输出层：卷积窗大小1*1，输出特征图数量10，卷积窗种类120*10=1200，输出特征图大小1*1，因此可训练参数(权值+偏置)：(1*120)*10+10=1200+10. 代码段如下： [cpp] view plain copy #define num_map_input_CNN 1 //输入层map个数 #define num_map_C1_CNN 6 //C1层map个数 #define num_map_S2_CNN 6 //S2层map个数 #define num_map_C3_CNN 16 //C3层map个数 #define num_map_S4_CNN 16 //S4层map个数 #define num_map_C5_CNN 120 //C5层map个数 #define num_map_output_CNN 10 //输出层map个数 #define len_weight_C1_CNN 150 //C1层权值数，(5*5*1)*6=150 #define len_bias_C1_CNN 6 //C1层阈值数，6 #define len_weight_S2_CNN 6 //S2层权值数,1*6=6 #define len_bias_S2_CNN 6 //S2层阈值数,6 #define len_weight_C3_CNN 2400 //C3层权值数，(5*5*6)*16=2400 #define len_bias_C3_CNN 16 //C3层阈值数,16 #define len_weight_S4_CNN 16 //S4层权值数，1*16=16 #define len_bias_S4_CNN 16 //S4层阈值数，16 #define len_weight_C5_CNN 48000 //C5层权值数，(5*5*16)*120=48000 #define len_bias_C5_CNN 120 //C5层阈值数，120 #define len_weight_output_CNN 1200 //输出层权值数，(1*120)*10=1200 #define len_bias_output_CNN 10 //输出层阈值数，10 #define num_neuron_input_CNN 1024 //输入层神经元数，(32*32)*1=1024 #define num_neuron_C1_CNN 4704 //C1层神经元数，(28*28)*6=4704 #define num_neuron_S2_CNN 1176 //S2层神经元数，(14*14)*6=1176 #define num_neuron_C3_CNN