公开集识别项目 使用PyTorch进行的开放集识别项目。 如有任何问题，请发送电子邮件 注意：由于我的实验性实现（特别是我的方法），需要重新构造。 要求 对于不同的算法和不同的数据集，要求会有所不同。通常，基本和必不可少的要求是： # pytorch 1.4+, torchvision 0.7.0 + pip3 install torch torchvision # sklearn pip3 install -U scikit-learn # numpy pip3 install numpy # scikit-learn-0.23.2 pip3 install -U sklearn 对于OpenMax： pip3 install libmr 对于绘制MNIST： pip3 install imageio pip3 install tqdm 配套 数据集 CIFAR-100（完成）

a_numpy_based_implement_cnn 这是我的博客的代码实现。 训练 测试 其他：卷积层可视化 依赖： Python3.6 numpy;枕头; scipy; matplotlib 简易装置： 间谍 其中训练部分由两个Python文件和一个文件夹组成： data_utils.py cnn.py ./cifar-10-batches-py$ ls batches.meta data_batch_2 data_batch_4 test_batch data_batch_1 data_batch_3 data_batch_5 [注：cifar-10-batches-py文件夹存放的是cifar—10数据集，相应的data_utils.py Python文件是data_utils.py数据集的代码。] 测试部分由两个Python文件和一个文件夹组成： data_

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