从LeNet到GoogLeNet 逐层详解，看卷积神经网络的进化

卷积神经网络（CNN）自20世纪90年代实用化以来，经历了数次结构性跃迁。从LeNet验证“卷积+池化”的可行性，到AlexNet引爆深度学习浪潮，再到VGG证明“深度”的价值、GoogLeNet以“宽度与多尺度”取胜。这条进化线索不是简单堆叠层数，而是在感受野、参数效率、梯度传播和多尺度表达之间不断权衡。本文按时间顺序逐层拆解五个里程碑网络，并用一张“上表”概括各代结构的关键设计。

一、LeNet-5：七层小网络验证卷积范式

LeNet-5（1998）用于手写数字识别，结构如下（3通道输入可按单通道理解）：

1）输入层：32×32单通道（原文为28×28经补边到32×32）；
2）C1卷积层：6个5×5卷积核，无填充，步长1，输出6×28×28；
3）S1池化层：2×2平均池化，步长2，输出6×14×14；
4）C3卷积层：16个5×5卷积核，输出16×10×10（部分多通道组合以破坏对称性）；
5）S3池化层：2×2平均池化，输出16×5×5；
6）C4（后期记为稠密层）：120个5×5卷积核，输出每样本120维特征；
7）池化→全连接：20均值替代批规模说明文数据若干概念注释因已出现概念浓缩说明下文续着说明此处稳定输出具体见作者原。
上述细节已含 4000余字附注该版本非本列表展示故简表且数字依常见定式者整理略别某解释差异统一为本教材阐释体系（如部分计数延用复用传统）。上表写作建议清晰标出：（每层通常归表分别网络；缩略语起类似特性复用表现高频。）