http://i60.tinypic.com/no7tye.png 图1卷积神经网络（LeNet5）
在卷积神经网络（LeNet 5）上，通过迭代manneur计算卷积（C1），最大池化（子采样）（S2，S4）层的图1。但我不明白如何正确地进行C3（卷积）层。
http://tinypic.com/r/fvzp86/8 图2进行C1层
首先作为输入，我们收到一个数字的MNIST 32 * 32灰度图像，将其视为大小为32 * 32的字节数组。在C1层，我们有6个不同的（各种）内核，填充了随机的小值。从1到6的每个内核用于构建6个不同的特征映射（每个特征映射一个内核）。从左到右移动大小为5 * 5的感知场1个像素步幅（偏差），在图像阵列上乘以内核值增加偏差并通过sigmoid函数。结果是当前构造的特征映射的i，j。一旦我们到达Image Array的末尾，我们就完成了当前要素图的构建。
http://i57.tinypic.com/rk0jk9.jpg 图3进行S2层
接下来我们开始生成S2层，同样会有6个特征映射，因为我们分别为C1层的6个特征映射使用2 * 2个感知域（使用最大池操作，选择2 * 2中的最大值）感受野）。在迭代的manneur上进行C1，S2，S4的进行。
http://i58.tinypic.com/ifsidu.png 图4 C3层的连接列表
但接下来我们需要计算C3层。根据各种论文，存在连接图。你能否说出连接列表中的内容？这是否意味着我们仍然会在C1层使用5 * 5感受野。例如，我们看到在第一行中有一个对应于列（0,4,5,6,9,10,11,12,14,15）的标记特征映射。这是否意味着构建C3层的0,4,5,6,9,10,11,12,14,15特征图，我们将在具有5 * 5感受野的S2层的第一特征图下进行卷积运算。在卷积运算期间将使用什么具体内核，或者我们需要随机生成16个填充小数的内核，就像我们在C1层中所做的那样。如果是的话，我们看到C3的0,4,5,6,9,10,11,12,14,15的特征映射为浅灰色，浅灰色，深灰色，浅灰色，深灰色，浅灰色，深灰色，浅灰色，浅灰色，深灰色。可以清楚地看到S2的第一个特征图是浅灰色，但只有0,4,6,10,12,14是浅灰色的。所以也许在C3中建立16个特征图以不同的方式进行。你能说一下如何生产C5层，它会有一定的连接列表吗？
答案 0 :(得分：2)
免责声明：我刚刚开始讨论这个话题，所以请指出我的概念中的错误！
在原始Lenet paper，第8页，您可以找到将S2的不同图层链接到C3图层的连接图。这个连接列表告诉我们S2的哪些层与内核进行卷积（详细信息）以生成C3层。
您会注意到S2的每一层都涉及生成精确的10层（不是全部16层）的C3。这表明内核的大小是（5x5x6）x10。
在C1中，我们有一个（5x5）x 6内核，即5x5，有6个特征图。这是2D卷积。在C3中，我们有（5x5x6）x 10内核，即＆＃34;内核框＆＃34;有10个功能图。这10个特征图和内核框组合在一起产生16层而不是6层，因为它们没有完全连接。
关于内核权重的生成，它取决于算法。它可以是随机的，预定义的或使用某种方案，例如xavier in caffe。
令我感到困惑的是，内核细节没有很好地定义，必须从给定的信息中派生出来。
更新： C5如何制作？
层C5是具有120个特征映射的卷积层。 C5特征映射的大小为1x1，因为在S4上应用了5x5内核。在32x32输入的情况下，我们也可以说S4和C5完全连接。在S4上施加以获得C5的内核的大小是（5×5×16）×120（偏差未示出）。本文未明确说明这些120内核框如何连接到S4的详细信息。但是，作为提示，提到S4和C5是完全连接的。
答案 1 :(得分：0)
论文中关于“C5”的关键点似乎是5x5内核应用于所有16或S4的特征图 - 一个完全连接的层。
“每个单位都连接到S4的所有16个特征地图上的5x5邻域”。
由于我们有120个输出单元，我们应该有120个偏置单元连接（否则架构细节不符合）。
然后我们连接所有25x16输入单元以产生一个特征映射输出。
总的来说我们有
num_connections =（25x16 + 1）x120 = 48000 + 120 = 48120
