LeNet-5 模型是Yann LeCun 教授於1998年在論文《Gradient-based learning applied to document recognition》中提出的，它是第一個成功應用於數字識別問題的卷積神經網絡。在 MNIST 數據集上，LeNet-5 模型可以達到大約99.2%的正確率。LeNet-5 模型共有7層，如下圖所示：
第1層 卷積層
輸入圖片尺寸：32x32x1；
輸出圖片尺寸：28x28x6；（filter=5*5, strides=1, padding='VALID'）
卷積層參數：5x5x1x6+6=156個參數，其中6個爲偏置參數；
卷積層連接：(5x5+1)x28x28x6=122304個連接。
第2層 池化層
輸入圖片尺寸：28x28x6；
輸出圖片尺寸：14x14x6；（filter=2*2, strides=2, padding='SAME'）
池化層參數：2x6=12個參數；
池化層連接：(4+1)x14x14x6=5880個連接。
第3層 卷積層
輸入圖片尺寸：14x14x6；
輸出圖片尺寸：10x10x16；（filter=5*5, strides=1, padding='VALID'）
卷積層參數：(5x5x3+1)x6 + (5x5x4 + 1) x 3 + (5x5x4 +1)x6 + (5x5x6+1)x1 = 1516個參數；
卷積層連接：1516x10x10=151600個連接。
Note: C3的前6個特徵圖以S2中3個相鄰的特徵圖子集爲輸入。接下來6個特徵圖以S2中4個相鄰特徵圖子集爲輸入。然後的3個以不相鄰的4個特徵圖子集爲輸入。最後一個將S2中所有特徵圖爲輸入。這樣C3層有1516個可訓練參數和151600個連接。
第4層 池化層
輸入圖片尺寸：10x10x16；
輸出圖片尺寸：5x5x16；（filter=2*2, strides=2, padding='SAME'）
池化層參數：2x16=32個參數；
池化層連接：(4+1)x5x5x16=2000個連接。
第5層 卷積層（實質上因爲濾波器大小爲5x5，等價於全連接層）
輸入圖片尺寸：5x5x16；
輸出圖片尺寸：1x1x120；
卷積層參數：(5x5x16+1)x120=48120個參數；
卷積層連接：(5x5x16+1)x120=48120個連接，與參數大小一致。
第6層 全連接層
輸入圖片尺寸：1x1x120；
輸出圖片尺寸：1x1x84；
全連接層參數：(120+1)x84=10164個參數；
全連接層連接：(120+1)x84=10164個連接，與參數大小一致。
第7層 全連接層
輸入圖片尺寸：1x1x84；
輸出圖片尺寸：1x1x10；
全連接層參數：(84+1)x10=850個參數；
全連接層連接：(84+1)x10=850個連接，與參數大小一致。