LeNet模型是由Yann LeCun等於1998年提出的一種卷積神經網路（CNN），它是第一個成功套用於數字識別問題的模型。LeNet-5模型包含8層，其中卷積層、池化層和全連線層是其主要的組成部分。
具體來說，LeNet-5的主要結構和功能如下：
輸入層。接收32*32像素的圖像，比MNIST資料庫中的28*28像素圖像更大，以便更好地捕捉潛在的特徵。
C1卷積層。包含6個特徵圖，每個特徵圖由5*5的卷積核生成，能夠提取輸入圖像的特徵。
S2下採樣層。包含6個14*14的特徵圖，通過2*2的最大池化或平均池化操作，減少數據體的空間尺寸，同時保留有用的信息。
C3卷積層。包含16個特徵圖，進一步提取圖像特徵。
F4和F5全連線層。這兩個全連線層通過ReLU激活函式和sigmoid激活函式，對特徵進行更高級別的抽象。
輸出層。提供手寫數字識別的分類結果。
LeNet模型在手寫數字識別任務中表現出色，能夠以低於1%的錯誤率完成任務，其性能與支持向量機相媲美。此外，LeNet的卷積層和下採樣層的結合，以及其較少的層數和參數，使得訓練快速且高效。儘管隨著技術的發展，更深的網路結構被提出，但LeNet作為卷積神經網路的先驅，仍然在手寫數字識別等領域有著廣泛的套用。