对Resnet网络进行结构上的调整，并测试调整后的性能。

Pytorch CIFAR-10分类（ResNet34）

这是对Res2Net的介绍PPT可供下载。 首先介绍了Resnet ResNeXt 等等时下比较流行的模型，然后对本文提出的Res2Net的结构，功能，特点（尤其是①计算负载不变但是性能提升②强大的集成能力与集成后效果的明显提升），广泛应用等等进行介绍。

matlab编程水印程序代码托管代码： 使用Pytorch / Resnet进行汽车检测34 需要Jupyter Notebooks支持； 在启用了GPU资源的Google Colab上进行开发和测试。 用法 跑步 在Google Colab中，确保已启用GPU运行时，然后按顺序运行每个单元。 该程序将下载所有培训，验证和测试数据以及数据标签。 然后，程序将按标签中的数据预处理所有数据。 然后将开始对resnet-34模型进行再培训。 将加载模型进行测试，单元将在其中随机选择要测试的测试图像。 基本信息 数据集包含16185个汽车图像，分为196个类别。 其中8,144张图像是训练图像，而8,041张图像是测试图像。 每个类别都是特定的汽车年份，品牌和型号； 这些类别中的每个类别都映射到一个介于1到196之间的数值。每个数字类别值都以[制作模型年]的格式（即：Hyundai Sonata 2012）映射到一个字符串。 数据由一系列matlab文件标记，这些文件带有边界框的坐标，其相应的类号和文件名。 每个图像以像素为单位的边界框的坐标很重要，因为某些图像是汽车经销商的广告，图像中带有无

以CIFAR10数据为例的分类器 实验课作业，由于是很经典的分类任务，所以整理了一下记录下来，实际上TensorFlow源码中就有很好的CIFAR10示例（包含单机和多样化版本），不过既然要交作业，自己的在基础CNN分类的版本外，添加了使用ResNet进行分类的实验，收敛速度远快于基础CNN。 一，文件介绍 公用脚本 ops.py网络层封装实现，已被Advanced_CNN.py和ResNet.py调用cifar10_input.py ：数据读入相关函数脚本，包含对训练数据和测试数据的不同预先路径设置eval_CNN.py ：测试用eval_CNN.py ，读取./images目录下的图片文件，并输出对应的预测结果 基础CNN分类器相关脚本 Advanced_CNN.py ：使用CNN的分类器，脚本本身包含了网络构建和训练相关的摘要，可以直接运行训练数据 ResNet相关脚本 ResNet

SENet-Tensorflow 使用Cifar10的简单Tensorflow实现 我实现了以下SENet 如果您想查看原始作者的代码，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 ） 问题 图片尺寸 在纸上，尝试了ImageNet 但是，由于Inception网络中的图像大小问题，因此我对Cifar10使用零填充 input_x = tf . pad ( input_x , [[ 0 , 0 ], [ 32 , 32 ], [ 32 , 32 ], [ 0 , 0 ]]) # size 32x32

tensorflow实现ResNet18，34，50，101，152

变分自编码器 (VAE) + 迁移学习 (ResNet + VAE) 该存储库在 PyTorch 中实现了 VAE，使用预训练的 ResNet 模型作为其编码器，使用转置卷积网络作为解码器。 数据集 1. MNIST 数据库包含 60,000 张训练图像和 10,000 张测试图像。 每个图像均保存为28x28矩阵。 2. CIFAR10 数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 3. Olivetti 人脸数据集 脸数据集由 40 个不同主题的 10 张 64x64 图像组成。 模型 模型包含一对编码器和解码器。 编码器 将 2D 图像x压缩为较低维度空间中的向量z ，该空间通常称为潜在空间，而解码器 接收潜在空间中的向量，并在与编码器输入相同的空间中输出对象。 训练目标是让encoder和decoder的组合“尽可能接近identity”。

cifar_10训练的resnet_pytorch模型，具体精度参照https://github.com/huyvnphan/PyTorch_CIFAR10

对iResnet论文的理解和总结，可以让大家更好的了解最新的iresnet结构，以及其中的优点，包括作者对iResnet结构的自身理解