进阶CNN对cifar10分类；两层卷积，两层池化，两层norm，两层全连接层

这是基于 CIFAR10 数据集的 CNN 在 TensorFlow 上的实现，与 [上一个](http://blog.csdn.net/u010099080/article/details/53906810) 相比增加了 TensorBoard 的实现，可以在浏览器中查看可视化结果。

我调试好的代码，里面包括数据，源代码2份，PPT,只要修改文件读取路径就可以使用。可以配合中国大学MOOC里的《深度学习应用开发-TensorFlow实践》课程学习，数据集官网下载太慢了，我这里下好了的。

环境： tensorflow 2.1 最好用GPU 模型： Resnet：把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。 SENet： 学习每一层的通道之间的关系 Inception: 每一层都用不同的核（1×1，3×3，5×5）来学习.防止因为过小的核或者过大的核而学不到图片的特征。 用Resnet ，SENet， Inceptiont网络训练Cifar10 或者Cifar 100. 训练数据：Cifar10 或者 Cifar 100 训练集上准确率：97.11%左右 验证集上准确率：90.22%左右 测试集上准确率：88.6% 训练时间在GPU上：一小时多 权重大小：21

LetNet是卷积神经网络的祖师爷LeCun在1998年提出， 用于解决手写体识别的视觉任务， 我们用CIFAR-10数据集，验证LeNet模型的准确率， 希望能够帮助大家更好的理解LeNet的模型，以及网络训练的整个流程，谢谢大家指正。

本项目的所有代码均已在Python3.6及Pycharm平台调试通过，除了代码外，还提供《卷积神经网络(CNN)详解与代码实现》文档和《Notes on Convolutional Neural Networks》文档，其中：《卷积神经网络(CNN)详解与代码实现》主要从卷积神经网络结构、代码实现流程图以及介绍、代码实现、注意事项、运行结果以及分析、Softmax函数详解与推导、BP算法、CNN的反向求导等方面重点描述，十分详细；代码也增加不少的注释，有助于大家了解；《Notes on Convolutional Neural Networks》是麻省理工Jake Bouvrie写的非常详细。

文件中原始代码利用CNN对CIFAR10数据集进行分类，准确度达到0.67，优化代码通过权重正则化、数据增强，增加全连接层等方式进行优化，准确度达到0.85。

keras_cifar10_resnet分类例子，深度学习专用，代码简单，

用自己的数据，制作python版本的cifar10数据集。可以任意别类任意数量，根据自己爬取的数据修改代码参数即可。

基于TensorFlow2利用ResNet18+SENet 实现cifar10分类 training准确率95.66%,test准确率90.77%