lenet5卷积神经网络TensorFlow代码实现

LeNet-5是一个经典的卷积神经网络模型，它是由Yann LeCun于1998年为了手写数字识别任务而设计的。以下是使用TensorFlow库实现LeNet-5的一个简单版本：

import tensorflow as tf
from tensorflow.keras import layers

class LeNet5(tf.keras.Model):
    def __init__(self):
        super(LeNet5, self).__init__()
        self.conv1 = layers.Conv2D(6, (5, 5), activation='relu', padding='same')
        self.pool1 = layers.MaxPooling2D((2, 2))
        
        self.conv2 = layers.Conv2D(16, (5, 5), activation='relu', padding='valid')
        self.pool2 = layers.MaxPooling2D((2, 2))

        self.flatten = layers.Flatten()
        self.fc1 = layers.Dense(120, activation='relu')
        self.fc2 = layers.Dense(84, activation='relu')
        self.fc3 = layers.Dense(10, activation='softmax') # 输出层，用于10分类

    def call(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = self.flatten(x)
        x = self.fc1(x)
        x = self.fc2(x)
        return self.fc3(x)

# 初始化并编译模型
model = LeNet5()
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 使用数据训练模型（这里省略了加载和预处理数据的部分）

这个代码创建了一个包含两个卷积层、两次池化操作、全连接层的LeNet-5模型，并进行了编译。注意，实际应用中你需要提供合适的训练数据和适当的训练过程。