基于神经网络的图像分类，数据资源是基于CIFAR-10，内含训练测试数据（batch），是唐宇迪深度学习入门课程的修改代码，python3版本

PyTorch顾问实例 对CIFAR-10和MNIST的对抗攻击。 这些笔记本使用生成对抗示例，以攻击PyTorch模型。 将来可能会针对更多数据集提供更多方法。

今天小编就为大家分享一篇利用pytorch实现对CIFAR-10数据集的分类，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

用于神经网络训练的cifar-10数据集,国内可能无法颗学上网导致下载不到.

cifar反卷积、cifar卷积核优化、cifar多通道卷积、cifar简洁代码

Keras图像识别实例_CIFAR_10

该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。

cifar数据集,图片大小32*32；总共有十个类,每个类有6000张图

CIFAR 10 keras CNN模型 这是一个具有keras CNN模型和GUI接口的简单python项目，用于选择keras模型并测试该模型以对图像进行分类 用法 要训​​练新模型，您只需要运行train_model.py文件，如果您想更改训练的设置，就需要进行修改，并根据自己的喜好对其进行修改。 该模型现在的准确度达到80％以上，并且由于我没有Nvidia GPU，因此需要花费一段时间来训练该模型50个以上的时间，但是我敢肯定，将其运行更多的时间可以提高最终的准确度。 注意事项 我刚刚开始学习ML和深度学习，因此代码本身既不完美也不完全优化，但是可以随时对其进行改进！

包含8种经典网络在CIFAR10数据上的分类代码，其中包括LeNet,Network_in_Network,Vgg19,ResNet,wide_ResNet,ResNeXt,DenseNet,SENet