LeNet5網絡較小，包含深度學習基本模塊：卷積層，池化層，全連接層。
該網絡共有7層，不包含輸入，每層都包含可訓練參數；每個層有多個Feature Map，每個FeatureMap
通過一種卷積濾波器提取輸入的一種特徵，然後每個FeatureMap有多個神經元。
各層參數詳解：
1.input層
將輸入圖像的尺寸統一歸一化爲32*32。該網絡一般用於mnist手寫數據集，只有圖片爲單通道。
2.c1層-卷積層
輸入圖片：32*32
卷積核大小：5*5
步長：1
卷積核種類：6
輸出featuremap大小：28*28，計算方法：（32-5+1）/1 = 28
(Input-kernel_size+1)/stride
神經元數量：28*25*6
可訓練參數：（5*5+1）*6 （每個濾波器5*5=25個unit參數和一個bias參數，一共6個濾波器）
連接數：（5*5+1）*6*28*28 = 122304
詳細說明：對輸入圖像進行第一次卷積運算（使用 6 個大小爲 5*5 的卷積核），得到6個C1特徵圖（6個大小爲28*28的 feature maps, 32-5+1=28）。參數量，卷積核的大小爲5*5，總共就有6*（5*5+1）=156個參數，其中+1是表示一個核有一個bias。對於卷積層C1，C1內的每個像素都與輸入圖像中的5*5個像素和1個bias有連接，所以總共有156*28*28=122304個連接（connection）。有122304個連接，但是我們只需要學習156個參數，主要是通過權值共享實現的。
3.s2層-池化層（下采樣層）
輸入：28*28
採樣區域：2*2
採樣方式：4個輸入相加，乘以一個可訓練參數，再加上一個可訓練偏置。結果通過sigmoid
採樣種類：6
輸出featureMap大小：14*14（28/2）
神經元數量：14*14*6
可訓練參數：2*6（和的權+偏置）
連接數：（2*2+1）*6*14*14
S2中每個特徵圖的大小是C1中特徵圖大小的1/4。
詳細說明：第一次卷積之後緊接着就是池化運算，使用 2*2核 進行池化，於是得到了S2，6個14*14的 特徵圖（28/2=14）。S2這個pooling層是對C1中的2*2區域內的像素求和乘以一個權值係數再加上一個偏置，然後將這個結果再做一次映射。於是每個池化核有兩個訓練參數，所以共有2x6=12個訓練參數，但是有5x14x14x6=5880個連接。
4、C3層-卷積層
輸入：S2中所有6個或者幾個特徵map組合
卷積核大小：5*5
卷積核種類：16
輸出featureMap大小：10*10 (14-5+1)=10
C3中的每個特徵map是連接到S2中的所有6個或者幾個特徵map的，表示本層的特徵map是上一層提取到的特徵map的不同組合
存在的一個方式是：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。
則可訓練參數爲：6*(3*5*5+1)+6*(4*5*5+1)+3*(4*5*5+1)+1*(6*5*5+1)=1516
連接數：10*10*1516=151600
詳細說明：第一次池化之後是第二次卷積，第二次卷積的輸出是C3，16個10x10的特徵圖，卷積核大小是 5*5. 我們知道S2 有6個 14*14 的特徵圖，怎麼從6 個特徵圖得到 16個特徵圖了？ 這裏是通過對S2 的特徵圖特殊組合計算得到的16個特徵圖。具體如下：
C3的前6個feature map（對應上圖第一個紅框的6列）與S2層相連的3個feature map相連接（上圖第一個紅框），後面6個feature map與S2層相連的4個feature map相連接（上圖第二個紅框），後面3個feature map與S2層部分不相連的4個feature map相連接，最後一個與S2層的所有feature map相連。卷積核大小依然爲5*5，所以總共有6*(3*5*5+1)+6*(4*5*5+1)+3*(4*5*5+1)+1*(6*5*5+1)=1516個參數。而圖像大小爲10*10，所以共有151600個連接。
5.s4層-池化層（下采樣層)
輸入：10*10
採樣區域：2*2
採樣方式：4個輸入相加，乘以一個可訓練參數，再加上一個可訓練偏置。結果通過sigmoid
採樣種類：16
輸出featureMap大小：5*5（10/2）
神經元數量：5*5*16=40
可訓練參數：2*16=32（和的權+偏置）
連接數：16*（2*2+1）*5*5=2000
S4中每個特徵圖的大小是C3中特徵圖大小的1/4
詳細說明：S4是pooling層，窗口大小仍然是2*2，共計16個feature map，C3層的16個10x10的圖分別進行以2x2爲單位的池化得到16個5x5的特徵圖。這一層有2x16共32個訓練參數，5x5x5x16=2000個連接。連接的方式與S2層類似。
6.c5層-卷積層
輸入：s4層的全部16個單元特徵map（與s4全連接）
卷積核大小：5*5
卷積核種類：120
輸出featuremap大小：1*1（5-5+1）
可訓練參數/連接：120*（160*5*5+1） = 48120
詳細說明：C5層是一個卷積層。由於S4層的16個圖的大小爲5x5，與卷積核的大小相同，所以卷積後形成的圖的大小爲1x1。這裏形成120個卷積結果。每個都與上一層的16個圖相連。所以共有(5x5x16+1)x120 = 48120個參數，同樣有48120個連接。
7.F6層-全連接層
輸入：120維向量
計算方式：計算輸入向量核權重向量之間的點積，再加上一個偏置，結果通過sigmoid函數輸出
訓練參數：84*（120+1）=10164
8.output層-全連接層
共有10個節點，分別代表數字0~9，且如果節點i的值爲0，則網絡識別的結果是數字i。採用的是徑向基函數（RBF）的網絡連接方式。假設x是上一層的輸入，y是RBF的輸出，則RBF輸出的計算方式是：
pytorch代碼示例：
class LeNet(nn.Module):
def __init__(self):
super(LeNet,self).__init__()
self.conv1 = nn.Sequential(
nn.Conv2d(1,6,3),
nn.MaxPool2d(2,2)
)
self.conv2 = nn.Sequential(
nn.Conv2d(6,16,5),
nn.MaxPool2d(2,2)
)
self.dense = nn.Sequential(
nn.Linear(400,120),
nn.Linear(120,84),
nn.Linear(84,10)
)
def forward(self,x):
conv1_out = self.conv1(x)
conv2_out = self.conv2(conv1_out)
res = conv2_out.view(conv2_out.size(0), -1)
out = self.dense(res)
return out