在上一篇论文中《Generalization and Network Design Strategies》，Yan LeCun成功设计了多个版本的神经网络，其中Net-5是一个包含两个卷积层，一个全连接层的CNN网络（当时还没这么称呼），并在一个包含480张图片的小数据集上面达到了优秀的泛化性能，该数据集是由工作人员使用鼠标在电脑上绘制的数字位图。
在这篇论文中，作者延续上一篇论文的思路，设计了一个CNN网络用于识别由美国邮局提供的信封上面的手写邮政编码（zip codes）。
1. 数据集
整个数据集包含9298张手写数字图片，数字图片来自信封上面不同人使用不同风格、不同工具书写的不同大小的邮政编码数字，经过数字化，排除掉无关干扰标记，进行单字符分割之后的结果。这是一个实际应用问题。
- 数据集分为7291张训练集，2007张测试集；
- 所有数据集被预处理成16x16的归一化图像（normalized image），像素值位于[-1，1]；
部分样本如下图所示：
2. 网络设计
文章中明确说明了，本文中设计的网络是在上一篇论文中提出的Net-5基础上做了扩展，不过同样包含两个卷积层，一个全连接层，网络结构图如下所示：
该网络具有如下特点：
- H1和H2卷积层都包含12个feature map，用于提取输入feature map的不同特征，卷积核大小均为5x5，超出图像边界的卷积输入使用了-1的padding处理；
- H2中每一个feature map的输入又不是H1中所有的12个feature map，而只使用了H1中的8个feature map，具体选了哪8个feature map，论文中没有公布；
- H1和H2中所有的卷积操作都采用权重共享，这和目前常规CNN网络的卷积方式相同，但是bias没有共享；
- 全连接层包含了30个神经元；
- 激活函数是双曲正切函数（tanh），损失函数是均方误差函数（MSE），和上一篇论文保持一致；
- 和上一篇论文不同，这篇论文中开始出现了卷积（convolution）、卷积核（kernel）等专有名词；
- 文章中后面提到，卷积层H1和H2中feature map的数量是通过做实验确定的，当采用12个feature map时，模型的泛化性能是最好的。另外，作者也尝试了直接使用全连接网络，不过泛化性能很差。
至于网络中的模型参数大小，论文中描述的相当仔细，这里不再赘述。
3. 权重初始化和学习算法
模型训练前的权重初始化采用的是-2.4/Fi—2.4/Fi 之间的均匀分布的随机采样，其中Fi等于该权重连接的输出单元对应的输入单元数（有点绕）。文章中说这项权重初始化技术能保持总的输入保持在S型激活函数的操作范围内（没懂）。
另外，学习算法采用了类似于随机梯度下降（stochastic gradient descent）的方法，也就是每次只使用单个样本进行权重更新，只不过权重更新采用了牛顿法的一个改进版本。
4. 总结
这篇文章设计了一个包含两个卷积层的CNN网络，并将其应用于一个现实生活中的问题—手写邮政编码识别。模型的泛化性能达到了当时最佳。
在上一篇网络提出的Net-5的基础上，用于图像分类的CNN网络的发展又向前迈进了一步。
