问卷积神经网络(LeNet 5)。C3、C5层的构建

EN

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，图1卷积过程(C1)，最大池化(次采样) (S2，S4)层通过迭代manneur计算。但我不明白如何正确地进行C3 (卷积)层。

图2进行C1层的http://tinypic.com/r/fvzp86/8

首先，作为输入，我们接收到一个MNIST32*32灰度数字图像，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(不同的)内核，填充着随机的小值。从1到6的每个内核用于构建6个不同的特征映射(一个内核对应一个特征映射)。将大小为5*5的接收野从左向右移动1个像素步长(偏置)，将图像阵列中的值乘以核值相加偏置，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，我们就完成了当前特征图的构建。

图3进行S2层的http://i57.tinypic.com/rk0jk9.jpg

接下来我们开始生成S2层，同样会有6个特征图，因为我们对C1层的6个特征图中的每一个分别使用2*2个接受域(使用最大池化操作，在2*2接受域中选择最大值)。C1，S2，S4在迭代过程中的应用。

图4 C3层的http://i58.tinypic.com/ifsidu.png连接表

但是接下来我们需要计算C3层。根据不同的论文，存在一个连接图。你能说一说在连接列表下感觉到什么吗？这是否意味着我们仍然会像在C1层一样使用5*5感受场。例如，我们看到在第一行中有一个标记的特征映射，对应于列(0,4,5,6,9,10,11,12,14,15)。这是否意味着，为了构造C3层的0,4,5,6,9,10,11,12,14,15个特征图，我们将在S2层的第一个特征图下进行卷积操作，其中接收野为5*5。在卷积运算中将使用哪个具体的内核，或者我们再次需要随机生成16个填充了小数字的内核，就像我们在C1层所做的那样。如果是，我们可以看到C3的特征图0、4、5、6、9、10、11、12、14、15以浅灰色、浅灰色、深灰色、浅灰色、浅灰色、深灰色着色。可以清楚地看到，S2第一特征图是浅灰色，但仅0、4、6、10、12、14以浅灰色着色。因此，在C3中构建16个特征地图可能会以不同的方式进行。你能说一下如何也产生C5层吗，它会有一些特定的连接表吗？