LeNet-5 是深度学习先驱 Yann LeCun 等人在 1998 年提出的经典卷积神经网络CNN是现代 CNN 架构的奠基性开山之作。它最初设计用于 MNIST 手写数字识别任务凭借「卷积提取特征 池化降维 全连接分类」的极简结构成为了 FPGA 硬件加速入门的首选标准网络。一、标准网络结构LeNet-5 共 7 层可训练层不含输入层输入为 32×32 的单通道灰度图最终输出 10 个分类结果对应数字 0~9完整层级如下层级类型核心参数输出尺寸Input输入层单通道灰度图32×32×1C1卷积层6个5×5卷积核无填充28×28×6S2池化层2×2 平均池化步长214×14×6C3卷积层16个5×5卷积核无填充10×10×16S4池化层2×2 平均池化步长25×5×16C5全连接卷积层120个神经元1×1×120F6全连接层84个神经元84Output输出层Softmax 分类10它的核心设计范式沿用至今用卷积层提取局部空间特征用池化层压缩特征尺寸、扩大感受野最后用全连接层完成分类输出。现在的 ResNet、YOLO 等复杂网络本质都是在这个基础框架上做的扩展。二、核心特点结构极简算子单一整个网络只用到卷积、池化、全连接三种算子没有残差、注意力、归一化等复杂结构逻辑清晰非常适合作为硬件加速的入门验证对象。计算量小资源门槛低整体参数量仅约 6 万计算量极低在 Zynq-7000 这类中低端 FPGA 上就能完整实现纯 PL 端加速不需要过高的资源储备。验证标准成熟配套 MNIST 手写数字数据集有大量公开的参考模型、精度指标和测试用例软硬件对齐有明确的对标依据。三、和你当前项目的关联你刚打通的「卷积 池化」级联卷积块正好对应 LeNet-5 里的C1S2、C3S4两组核心单元是实现 LeNet-5 硬件加速的核心底座。从当前进度推进到完整 LeNet-5 推理只需要补充 3 项能力多通道支持将当前单通道卷积/池化 IP扩展为支持多输入通道、多输出通道匹配 C1→S2→C3→S4 的通道维度变化。卷积核尺寸扩展从当前 3×3 卷积扩展支持 5×5 卷积适配 LeNet-5 的标准卷积核尺寸也可以做简化版用 3×3 替代。全连接层 IP新增一个全连接层硬件加速模块完成 S4 到最终分类输出的计算。全部实现后就可以在你的 Zynq 平台上跑通端到端的手写数字图片分类推理从「单个算子验证」升级为「完整 AI 模型硬件加速」是非常合适的下一阶段里程碑。
