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

cifar-10数据集

基于tensorflow2.0开发，识别率高，可以用作图像分类系统，换成自己的数据集就好了，包含了整套的代码，自己在pycharm上就可以运行了，改改代码可以跑深度学习图像分类了。

CIFAR-10 数据集由 10 个类中的 60000 张 32x32 彩色图像组成，每类 6000 张图像。有 50000 张培训图像和 10000 张测试图像。

cifar-10数据集

利用CNN处理CIFAR-10的测试精度没达到0.9，所以来试试Rsenet~通过数据增强等处理方式，利用20层的Resnet对其进行测试，精度达到0.9139.

简单的Cifar10数据集 pytorch 框架训练代码 使用简单的ResNet-18 进行训练 代码附有详细注释，一看就懂 修改代码，补充上自己的CiFar10数据集位置，就可以直接运行

此数据集为MATLAB版本，更多版本我也上传了。CIFAR-10数据集由10个类中的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。 数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但是一些训练批次可能包含来自一个类别的更多图像而不是另一个类别。在他们之间，培训批次包含来自每个班级的5000个图像。

CIFAR-10 的一个demo，可以直接运行，里边有数据集，是一个进行10中类别的图片进行分类，准确率高达95.67%