LeNet-5共有7層，不包含輸入，每層都包含可訓練引數；每個層有多個Feature Map，每個FeatureMap透過一種卷積濾波器提取輸入的一種特徵，然後每個FeatureMap有多個神經元。
1. C1層是一個卷積層
輸入圖片：32*32
卷積核大小：5*5
卷積核種類：6
輸出featuremap大小：28*28 （32-5+1）
神經元數量：28*28*6
可訓練引數：（5*5+1）*6（每個濾波器5*5=25個unit引數和一個bias引數，一共6個濾波器）
連線數：（5*5+1）*6*28*28
2. S2層是一個下采樣層
輸入：28*28
取樣區域：2*2
取樣方式：4個輸入相加，乘以一個可訓練引數，再加上一個可訓練偏置。結果透過sigmoid
取樣種類：6
輸出featureMap大小：14*14（28/2）
神經元數量：14*14*6
可訓練引數：2*6（和的權+偏置）
連線數：（2*2+1）*6*14*14
S2中每個特徵圖的大小是C1中特徵圖大小的1/4
3. C3層也是一個卷積層
輸入：S2中所有6個或者幾個特徵map組合
卷積核種類：16
輸出featureMap大小：10*10
C3中的每個特徵map是連線到S2中的所有6個或者幾個特徵map的，表示本層的特徵map是上一層提取到的特徵map的不同組合
存在的一個方式是：C3的前6個特徵圖以S2中3個相鄰的特徵圖子集為輸入。接下來6個特徵圖以S2中4個相鄰特徵圖子集為輸入。然後的3個以不相鄰的4個特徵圖子集為輸入。最後一個將S2中所有特徵圖為輸入。
則：可訓練引數：6*（3*25+1）+6*（4*25+1）+3*（4*25+1）+（25*6+1）=1516
連線數：10*10*1516=151600
4. S4層是一個下采樣層
輸入：10*10
取樣種類：16
輸出featureMap大小：5*5（10/2）
神經元數量：5*5*16=400
可訓練引數：2*16=32（和的權+偏置）
連線數：16*（2*2+1）*5*5=2000
S4中每個特徵圖的大小是C3中特徵圖大小的1/4�
5. C5層是一個卷積層
輸入：S4層的全部16個單元特徵map（與s4全相連）
卷積核種類：120
輸出featureMap大小：1*1（5-5+1）
可訓練引數/連線：120*（16*5*5+1）=48120
6. F6層全連線層
輸入：c5 120維向量
計算方式：計算輸入向量和權重向量之間的點積，再加上一個偏置，結果透過sigmoid函式
可訓練引數:84*(120+1)=10164
LeNet-5共有7層，不包含輸入，每層都包含可訓練引數；每個層有多個Feature Map，每個FeatureMap透過一種卷積濾波器提取輸入的一種特徵，然後每個FeatureMap有多個神經元。
1. C1層是一個卷積層
輸入圖片：32*32
卷積核大小：5*5
卷積核種類：6
輸出featuremap大小：28*28 （32-5+1）
神經元數量：28*28*6
可訓練引數：（5*5+1）*6（每個濾波器5*5=25個unit引數和一個bias引數，一共6個濾波器）
連線數：（5*5+1）*6*28*28
2. S2層是一個下采樣層
輸入：28*28
取樣區域：2*2
取樣方式：4個輸入相加，乘以一個可訓練引數，再加上一個可訓練偏置。結果透過sigmoid
取樣種類：6
輸出featureMap大小：14*14（28/2）
神經元數量：14*14*6
可訓練引數：2*6（和的權+偏置）
連線數：（2*2+1）*6*14*14
S2中每個特徵圖的大小是C1中特徵圖大小的1/4
3. C3層也是一個卷積層
輸入：S2中所有6個或者幾個特徵map組合
卷積核大小：5*5
卷積核種類：16
輸出featureMap大小：10*10
C3中的每個特徵map是連線到S2中的所有6個或者幾個特徵map的，表示本層的特徵map是上一層提取到的特徵map的不同組合
存在的一個方式是：C3的前6個特徵圖以S2中3個相鄰的特徵圖子集為輸入。接下來6個特徵圖以S2中4個相鄰特徵圖子集為輸入。然後的3個以不相鄰的4個特徵圖子集為輸入。最後一個將S2中所有特徵圖為輸入。
則：可訓練引數：6*（3*25+1）+6*（4*25+1）+3*（4*25+1）+（25*6+1）=1516
連線數：10*10*1516=151600
4. S4層是一個下采樣層
輸入：10*10
取樣區域：2*2
取樣方式：4個輸入相加，乘以一個可訓練引數，再加上一個可訓練偏置。結果透過sigmoid
取樣種類：16
輸出featureMap大小：5*5（10/2）
神經元數量：5*5*16=400
可訓練引數：2*16=32（和的權+偏置）
連線數：16*（2*2+1）*5*5=2000
S4中每個特徵圖的大小是C3中特徵圖大小的1/4�
5. C5層是一個卷積層
輸入：S4層的全部16個單元特徵map（與s4全相連）
卷積核大小：5*5
卷積核種類：120
輸出featureMap大小：1*1（5-5+1）
可訓練引數/連線：120*（16*5*5+1）=48120
6. F6層全連線層
輸入：c5 120維向量
計算方式：計算輸入向量和權重向量之間的點積，再加上一個偏置，結果透過sigmoid函式
可訓練引數:84*(120+1)=10164