LeNet 改进：ReLU 激活函数、最大池化、卷积核大小调整、正则化方法和模型集成

本文基于 LeNet 模型，分别进行了以下改进，并比较了改进前后的模型性能：

1. 激活函数的改进：将 LeNet 中的激活函数替换为 ReLU。
2. 池化方式：平均池化改为最大池化。
3. 卷积核大小：将其中一个 55 的卷积核修改为 77。
4. 正则化方法 1：在全连接层后加入 Dropout 层（中间的全连接层可增加维度）。
5. 正则化方法 2：卷积层后加入 BatchNorm 层。

扩展任务：

6. 数据增强：在训练集上进行数据增强（例如，翻转、旋转、缩放等）。
7. 模型集成：组合多个训练好的模型，以提高准确率。