在CNN的应用中，用于文字识别系统的LeNet-5模型是非常典型的模型。 第五个隐层由5×5卷积核运算，包含120个神经元，也是该网络中卷积运算的最后一层。 年，两位科学家提出了基于梯度学习的卷积神经网，称为LeNet。 另外，这种简单的叠加不需要向网络增加额外的参数和计算量，就可以提高网络训练的效果和效率。

上图是残差网络的基本结构，可以看出实际上增加了恒等映射，将原来的变换函数h(x )变换为f ) x ) x。 即使给机器照片、声音、数字、字符串和其他数据，它也会转换成计算机能识别的数据。 VGG的本质是AlexNet结构的增强版，重点是强调卷积神经网络设计中的深度。 与AlexNet网络非常相似，只是VGG有五个卷积层，每个卷积层后面都有一个池化层。

1、卷积神经网络图像识别股

LeNet-5模型由Yann LeCun教授于1998年提出，是第一个成功大规模应用于手写数字识别问题的卷积神经网络，在MNIST数据集上的正确率可达99.2%。 VGG网络问世已有几年，但在许多其他网络效果不理想的情况下，VGG有时会发挥其优势，取得意想不到的成果。

2、卷积神经网络图像识别人物

具有这种大小的卷积核4096个，分别对输入图像进行4096次全卷积操作，最终结果为列矢量，共计4096个。 对于测试数据，提取图像的4个角大小为224~224的图像、中心的224~224的图像以及它们的镜像反转图像后，可以得到10张图像。 您可以使用softmax进行预测，并将所有预测平均以获得最终分类结果。

3、卷积神经网络图像识别简介

首先，将原始数据输入到它(机器)中，以卷积层池化层激活函数的组合形式进行卷积操作。 通过从256×256大小的图像中剪切227×227大小的图像，然后镜像图像，可以将原始数据增加到65256-224 ) x(256-224 ) x2=2048倍。 首先作者构建了两个plain网络。 这两个网络分别在18层和34层，之后作者又设计了两个残差网络。 层数也分别为18楼和34楼。

4、卷积神经网络图像识别的过程

首先，由于很多研究者发现归一化层效果不理想，消耗了很多计算资源，在VGG网络中作者取消了归一化层；二是VGG网络使用了更小的3×3卷积核，两个连续的3×3卷积核使用5X 3卷积核
整个网络都证明了我们用小卷积核可以取得很好的效果。 前提是加深网络层数。 这表明，要提高神经网络整体的模型效果，加深其深度是有效的。 计算量大幅增加，但复杂性也上升，可以更好地解决复杂的问题。