此程序是一个残差网络的程序，此文件中含有的功能可以让初学者用来学习和了解残差网络的基本原理和实现过程

ResNet_Attention（CBAM，SE） 官方说明： ， 所需环境 Ubuntu20.04 GTX 1080Ti Python3.7 PyTorch 1.7.0 CUDA10.2 CuDNN7.0 使用方法（带有CIFAR10的trian） 该模型的主干是ResNet。 在我们的培训中，我们使用CIFAR10作为数据集。 # To train with Se python train_CIFAR10.py --prefix 4 --device 1 --epoch 160 --att_type se # To trian with CBAM python train_CIFAR10.py --prefix 5 --device 1 --epoch 160 --att_type cbam 验证结果 ResNet50（训练了160个时代）ACC@1=93.41% A

pytorch resnet 101 模型参数数据 pytorch resnet 101 模型参数数据 pytorch resnet 101 模型参数数据 pytorch resnet 101 模型参数数据 pytorch resnet 101 模型参数数据

完整工程案例：深度学习Tensorflow 图像语义分割（Image Segmentation）DeepLab基于ResNet101模型（tensorflow1.1以上、python3.5及以上）

深度学习的多光子显微镜图像降噪 多光子显微镜（MPM）图像固有地以低信噪比（SNR）捕获，从而抑制了对更深的大脑层成像的过程，实现了更高的时间和空间分辨率。 虽然基于线性滤波的经典方法无法处理MPM图像中占主导地位的泊松噪声，但深度学习图像恢复目前是一个热门话题。 在这项工作中，在MPM图像的去噪性能方面，比较了三种监督（CARE，DnCNN和ResNet）和三种非监督（Noise2Noise，Noise2Void和概率性Noise2Void）深度学习方法，并研究了监督与非监督方法之间的差距。 通过在训练数据中添加具有不同噪声水平的图像，我们的模型可以推广到盲噪声图像。 无偏神经网络也检查了泛化能力。 结果表明，我们的基于深度学习的模型实现了令人满意的降噪性能，并在广泛的噪声水平范围内进行了归纳。 还证明了与监督方法相比，无监督方法仅表现出稍微降低的降噪性能。 该发现具有重要意义，因为收集

综述

keras_cifar10_resnet分类例子，深度学习专用，代码简单，

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

resnet 101 pytorch 预训练模型，官网不太好下载，下载速度慢我把这个下好以后上传上来了。主要是用于加载预训练的权重。

关于resNet论文，笔者在展示时所用的PPT