参考答案

参考回答:

C1层:选取66个特征卷积核，大小为5∗55∗5(不包含偏置),得到66个特征图，每个特征图的大小为32−5+1=2832−5+1=28，也就是神经元的个数由10241024减小到了28∗28=78428∗28=784。

输入层与C1层之间的参数:6∗(5∗5+1)6∗(5∗5+1),对于卷积层C1，每个像素都与前一层的5∗55∗5个像素和11个bias有连接，有6∗(5∗5+1)∗(28∗28)6∗(5∗5+1)∗(28∗28)个连接

S2层:池化,是一个下采样层（为什么是下采样？利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量同时保留有用信息），有66个14∗1414∗14的特征图，特征图中的每个单元与C1中相对应特征图的2∗22∗2邻域相连接。S2S2层每个单元对应C1C1中44个求和，乘以一个可训练参数，再加上一个可训练偏置。

C1与S2之间的参数:每一个2∗22∗2求和，然后乘以一个参数，加上一个偏置，共计2∗6=122∗6=12个参数。S2S2中的每个像素都与C1C1中的2∗22∗2个像素和11个偏置相连接，所以有6∗5∗14∗14=58806∗5∗14∗14=5880个连接

C3层:选取卷积核大小为5∗55∗5,得到新的图片大小为10∗1010∗10我们知道S2包含：6张14∗146张14∗14大小的图片，我们希望这一层得到的结果是：16张10∗1016张10∗10的图片。这1616张图片的每一张，是通过S2S2的66张图片进行加权组合得到的，具体是怎么组合的呢？

S2与C3之间的组合

前66个feature map与S2S2层相连的33个feature map相连接，后面66个feature map与S2层相连的4个S2层相连的4个feature map相连接，后面33个feature map与S2S2层部分不相连的44个feature map相连接，最后一个与S2S2层的所有feature map相连。卷积核大小依然为5∗55∗5，总共有6∗（3∗5∗5+1）6∗（3∗5∗5+1）+6∗（4∗5∗5+1）6∗（4∗5∗5+1）+3∗（4∗5∗5+1）3∗（4∗5∗5+1）+1∗（6∗5∗5+1）=15161∗（6∗5∗5+1）=1516个参数。而图像大小为10∗1010∗10，所以共有151600151600个连接。

S4层

池化，窗口大小为2∗22∗2,有1616个特征图，总共有3232个参数

C3与S4之间的参数

16∗（25∗4+25）=200016∗（25∗4+25）=2000个连接

C5层

F6层

全连接

F6F6相当于MLP中的隐含层，有8484个节点，所以有84∗（120+1）=1016484∗（120+1）=10164个参数。F6F6层采用了正切函数。

输出层