LNL增强 带有噪声标签的学习的增强策略代码（CVPR 2021）。 ： *， *， ， [ * ：] 抽象的不完美的标签在现实世界的数据集中无处不在。 训练对标签噪声具有鲁棒性的训练深度神经网络（DNN）的几种最新成功方法已经使用了两种主要技术：基于在预热阶段的损失来过滤样本以整理一组干净标签的样本，以及使用网络的输出作为后续损失计算的伪标签。 在本文中，我们评估了用于解决“带有噪声标签的学习”问题的算法的不同扩充策略。 我们提出并研究了多种扩充策略，并使用基于CIFAR-10和CIFAR-100的合成数据集以及真实数据集Clothing1M对其进行了评估。 由于这些算法的几种共通性，我们发现使用一组扩充进行损失建模任务而使用另一组扩充进行学习是最有效的，可以改进最新技术和其他先前方法的结果。 此外，我们发现在预热期间应用扩增可能会对正确标记和错误标记的样本的损失收敛行为产

PyTorch实施抠图 用法 $ python main.py --block_type basic --depth 110 --use_cutout --cutout_size 16 --cutout_prob 1 --outdir results CIFAR-10的结果 模型 测试错误（5次运行的中位数） 训练时间 ResNet-preact-56，不带切口 5.85 98分钟 带切口的ResNet-preact-56 4.96 98分钟 没有抠图 $ python -u main.py --depth 56 --block_type basic --base_lr 0.2 --seed 7 --outdir results/wo_cutout/00 w /镂空 $ python -u main.py --depth 56 --block_type basic --bas

lmdb格式的cifar10数据集，注意：此数据集不是原始格式，是已经转化为lmdb格式的数据集，主要用来进行caffe网络的训练。

Keras实战CIFAR10.pdf

小型深度学习网络，用于Cifar10的图像分类

CIFAR10数据集 官网下载太慢了，我帮各位下载好了！

The CIFAR-10 dataset :http://www.cs.toronto.edu/~kriz/cifar.html 原来为bin格式，我全部转成了png图，让我们对数据集有很好的直观印象。资源太大，分开上传，该部分为训练集部分(data_batch_1~data_batch_5)。

ResNet源码，然后基于resnet实现在cifar10下的实战测试，注释齐全，特别详细，都能看懂。

CNN对Cifar10进行分类，初始算法准确度为79%； 第二种使用图像加强，精确度可到84%左右； 第三种使用正则化第四种使用双CPU，精确度提升到86%。

使用CIFAR10 数据集训练的基于PyTorch 的卷积神经网络