这次我们使用CNN中最经典的Lenet网络在mnist数据集上进行训练和预测。
卷积NN
主要有两部分组成，一部分是对输入图片特征提取，一部分是全连接网络，主要组成操作包括卷积、池化、激活等。-
Lenet网络模型
Lenet是提出比较早，能有效解决手写数字图片识别的卷积模型，模型结构如下：
0.PNG
其中，padding=valid代表非全0填充，输出图片尺寸=（输入尺寸-卷积核尺寸+1）/步长；padding=same代表全0填充，输出尺寸=输入尺寸/步长；pooling不改变深度。
对Lenet进行调整使其使用于mnist数据集，结构如下：
Lenet_on_mnist.PNG
实现还是分三模块：forward，backwa，test，主要改变是在forward：
lenet1.png
定义获得权重、偏执，增加对卷积，池化的函数。
lenet2.png
按上层结构前向传播，返回预测值。
backward和test跟上一篇中改动不大，主要是要注意输入的大小：
leb1.png
输入占位大小改变
leb2.png
喂入的barch_size大小改变
同理，在test文件中，测试数据的大小也相应改变。
新手学习，欢迎指教！
