基于tensorflow搭建Resnet18对Cifar10测试集准确率90%，仅用了数据增强和损失函数优化方案，简单易懂，内含源码以及训练好了的模型。继续调节参数可以进一步增高准确率，支持交流学习，勿喷

tensorflow 卷积神经网络 cifar10 有代码解析 对于入门学习者很有帮助

kaggle_cifar10数据集，

使用Pytorch实现NIN 本文在网络中非官方实施 0.开发环境 Docker Image - tensorflow/tensorflow:tensorflow:2.4.0-gpu-jupyter Library - Pytorch : Stable (1.7.1) - Linux - Python - CUDA (11.0) 使用单GPU 1.实施细节 model.py：NIN模型 train.py：火车NIN utils.py：计算正确的预测 best.pt：最好的NIN权重文件而不会丢失 NIN-Cifar 10.ipynb：安装库，下载数据集，预处理，训练和结果 可视化-Feature Map.ipynb：可视化完整激活的特征图，前10％的激活 细节 辍学的NIN很难训练并且获得与论文相同的分数 遵循官方法规的详细信息：批次大小128，动量0.9，重量衰减0.00001 没

cifar10的network in network配置文件和model,提供了train_test和solver文件，以及㑅者训练好的model,方便那些无法下载的研究者！

cifar10读取

Densenet-Tensorflow 的Tensorflow实施使用Cifar10，MNIST 实现本文的代码是Densenet.py 略有不同，我使用了AdamOptimizer 如果您想查看原始作者的代码或其他实现，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn However, I implemented it using tf.layers, so don ' t worry 问题 我用了tf.contrib.layers.batch_norm def Batch_Normali

cigar的源码。

使用 ResNet 对 Cifar10 进行学习训练，整个过程，包括数据集的处理，loss 计算，以及准确度计算，数据保存

用PyTorch训练CIFAR10 我摆弄在CIFAR10数据集。 先决条件 Python 3.6+ PyTorch 1.0+ 训练 # Start training with: python main.py # You can manually resume the training with: python main.py --resume --lr=0.01 准确性 模型 累积 92.64％ 93.02％ 93.62％ 93.75％ 94.24％ 94.29％ 94.43％ 94.73％ 94.82％ 94.89％ 95.04％ 95.11％ 95.16％ 95.47％