hadoop的图像分类的一篇论文，值得学习下。

基于深度卷积神经网络的服装图像分类检索算法

科大的一篇硕士论文 讲得比较详细 适合入门级的仔细研究下

CIFAR-10 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 10 个类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，每个类别有 6000 张图片，类别之间的交集为空。

微软的猫和狗图像数据集，用于深度学习图像分类训练

本文从实战的角度出发，带领大家感受一下MixNet，我们还是使用以前的植物分类数据集，模型采用mixnet_m。 通过本文你可以学习到： 1、如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 2、如何调用自定义的模型？ 3、如何使用混合精度训练？ 4、如何使用梯度裁剪防止梯度爆炸？ 5、如何使用DP多显卡训练？ 6、如何绘制loss和acc曲线？ 7、如何生成val的测评报告？ 8、如何编写测试脚本测试测试集？ 9、如何使用余弦退火策略调整学习率？ 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124845052

猫狗分类数据集,各700张

利用tensorflow的后端Keras实现我们的CIFAR10的图像分类 keras简单易懂，代码量和工程都不大，可以自动利用GPU进行训练，调节显存的大小 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet等等 也可以通过进行可视化输出结果，也含有数据增强等方法提高准确率 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习，利用自己的数据集进行运行得到结果都是可以的

简述VGG模型，说明其中的结构（描述模型的结构，哪一层是卷积、那一层是池化、那一层是全连接？），并使用VGG模型完成下面图像分类的实验(建议使用Python语言,Pytorch 框架)。图像分类数据集：CIFAR-10，由10个类的60000个32x32彩色图像组成，每个类有6000个图像；有50000个训练样本（训练集）和10000个测试样本（测试集） 分别使用数据集中训练集的1%、10%、50%、80%样本进行训练模型，使用测试样本进行测试，简述步骤并对比使用不同比例的训练样本对于训练结果的影响（即模型训练完成后，使用测试样本输入模型得到的准确率）。随着数据量的增大，观察每一次模型迭代（模型每完成一次迭代，即所有训练样本输入到模型中进行训练更新）所需的计算时间、内存消耗变化，并做比较。分析试验结果，回答下面问题： A． 说明你实验的硬件环境 B． 说明自己程序中使用的是哪种梯度下降算法（随机、批量、全部）？ C． 训练过程中你调整了哪些参数，谈谈你的调参过程和调参技巧 D． 当数据量逐渐变大时，你的训练测试过程有没遇到实质性困难？

计算机视觉 图像分类 《人工智能应用基础》 CONTENTS 内 容 01 卷积神经网络 《人工智能应用基础》 《人工智能应用基础》 + 《人工智能应用基础》 《人工智能应用基础》 输入图片就是X，shape=(8,8,3); 4个filters shape=(3,3,3,4)， 这个4是指有4个filters; 输出为Z1，shape=(6,6,4); 《人工智能应用基础》 激活函数relu 经过激活后，Z1变为A1，shape=(6,6,4); 02 VGG网络 《人工智能应用基础》 VGG主要探究了卷积神经网络的深度和其性能之间的关系，通过反复堆叠3*3的小卷积核和2*2的最大池化层，VGGNet成功的搭建了16-19层的深度卷积神经网络。 《人工智能应用基础》 03 ResNet网络 《人工智能应用基础》 ResNet来解决退化问题 《人工智能应用基础》 对于一个堆积层结构（几层堆积而成）当输入为x时其学习到的特征记为H(x)，现在我们希望其可以学习到残差F(x)=H(x)-x，这样其实原始的学习特征是F(x)+x 。当残差为0时，此时堆积层仅仅做了恒等映射，至少网络性能不会下