O quê

A LeNet é a primeira rede neural convolucional (CNN) a sair do laboratório e entrar em produção comercial. Desenvolvida por Yann LeCun e colegas no AT&T Bell Labs, começou em 1989 (reconhecimento de códigos postais manuscritos) e amadureceu na forma canônica LeNet-5 em 1998. Sua aplicação real: ler dígitos manuscritos em cheques bancários nos EUA — sistemas baseados nessa arquitetura chegaram a processar uma fração relevante de todos os cheques do país no fim dos anos 1990.

A LeNet introduziu — duas décadas antes do boom do deep learning — os três ingredientes que definem CNNs até hoje: convoluções, pooling e compartilhamento de pesos.

Em Magik LLM Gathering, a LeNet é tratada como architecture · companion — a prova precoce de que redes profundas funcionavam, esperando hardware à altura.

Como funciona

Convolução: o filtro deslizante

Em vez de conectar cada pixel a cada neurônio (caro e ingênuo), a LeNet desliza pequenos filtros sobre a imagem, detectando bordas, cantos e texturas independentemente da posição. O mesmo filtro é aplicado em toda a imagem — daí o compartilhamento de pesos, que reduz drasticamente o número de parâmetros e embute invariância à translação.

Pooling: resumir e encolher

Camadas de subamostragem (pooling) reduzem a resolução, agregando regiões vizinhas. Isso dá robustez a pequenas distorções e diminui o custo computacional camada após camada.

A pilha LeNet-5

A LeNet-5 alterna convolução → pooling → convolução → pooling, terminando em camadas totalmente conectadas que classificam o dígito (0–9). Treinada com Backpropagation e Gradient Descent sobre o que viria a ser o dataset MNIST, atingia taxas de erro baixíssimas para a época.

Por que importa

Inventou a CNN moderna. A arquitetura conv-pool-fc que LeCun cristalizou é, em essência, a mesma do AlexNet (2012) (2012), do ResNet e de toda visão computacional até a chegada dos Vision Transformers. A LeNet é o ancestral direto.

Provou deep learning em campo — em 1998. Enquanto a comunidade ainda duvidava de redes neurais (pós-controvérsia do Perceptron), a LeNet rodava em bancos, lendo cheques de verdade. Não era teoria: era infraestrutura.

Mostrou que faltava escala, não ideia. A LeNet funcionava, mas ficou dormente por mais de uma década. Faltavam três coisas que só chegariam nos anos 2010: dados (ImageNet), compute (GPUs) e escala. Quando chegaram, a mesma ideia explodiu.

Estado em 2026

• Marco histórico vivo no currículo. LeNet + MNIST é o “hello world” de toda aula de deep learning — a primeira CNN que qualquer estudante treina.
• DNA presente em produção. Convolução, pooling e weight sharing seguem em uso em visão, áudio e sinais — mesmo quando Transformers dominam as manchetes.
• Reabilitação de Yann LeCun. A persistência de LeCun nas CNNs durante o “inverno” rendeu-lhe o Turing Award (2018, com Hinton e Bengio); a LeNet é o monumento dessa aposta longa.
• Lição estratégica. A LeNet é o caso clássico de “a ideia certa, cedo demais” — recorrentemente citada quando se discute se uma técnica atual está só esperando hardware melhor.

Tratamento de carta — proposta

LeNet Modelo · Citadel (Deep Learning) · custo baixo

Entra fraca (1/1), mas com Dormência: enquanto houver um Site de hardware (NVIDIA H100, cluster) em jogo, ganha +2/+2. Sem hardware, fica adormecida (não pode atacar).

“Funcionava em 1998. Só faltavam as GPUs.”

A mecânica encena o destino histórico da LeNet: arquitetura correta que só desperta quando o compute chega.

Veja também

Yann LeCun · AlexNet (2012) · Backpropagation · ResNet · ImageNet