清风明月人间1. 核心基础：LeNet-5网络原理详解
LeNet-5作为卷积神经网络的开山之作，最初由Yann LeCun在1998年提出用于手写数字识别。我们将这个经典架构改造用于网络入侵检测任务，需要深入理解其每一层的设计逻辑。
1.1 适配后LeNet-5网络结构（入侵检测专用）
我们调整后的网络结构如下：
- 输入层：32×32×1（匹配预处理后的流量特征图）
- C1层：6个5×5卷积核，步长1，ReLU激活
- S2层：2×2最大池化，步长2
- C3层：16个5×5卷积核，步长1，ReLU激活
- S4层：2×2最大池化，步长2
- C5层：120个5×5卷积核（实际为全连接层）
- F6层：84个神经元的全连接层
- 输出层：5个神经元（对应KDD99的5类流量）
关键调整：原始LeNet-5输入为32×32的手写数字图像，我们将其通道数改为1以匹配流量特征的单通道特性。输出层从10类改为5类以适应KDD99数据集的分类需求。
1.2 核心层作用补充（新手必看）
卷积层设计原理：
- 5×5卷积核：相比3×3能捕获更大范围的流量特征关联性
- 通道数递增：通过6→16→120的通道扩展逐步提取深层特征
- 步长1：保留更多空间信息，这对检测攻击特征至关重要
池化层特殊考量：
- 最大池化：相比平均池化更能保留异常流量的显著特征
- 2×2窗口：在降维和保留特征间取得平衡
- 步长2：将特征图尺寸减半，控制计算量
1.3 实验环境准备（衔接第一篇）
确保环境与预处理阶段一致：
bash复制Python 3.8+
TensorFlow 2.6+
matplotlib 3.4+
numpy 1.19+
验证预处理数据是否可用：
python复制import numpy as np
X_train = np.load('preprocessed/X_train.npy')
print(f"训练集形状：{X_train.shape}") # 应输出(样本数, 32, 32, 1)
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. LeNet-5模型构建与训练全流程
2.1 步骤1：导入依赖库与加载预处理数据
python复制import tensorflow as tf
from tenso