在本文中，我们将ResNet模型转换为Core ML格式。

本数据对应文章：《机器学习进行数据分类模型的预测》

基于RBM的深度学习算法 基于多层RBM模型，实现二分类学习算法，目前针对该问题是采用2层RBM,特征输入只有8维，效果并不理想。 功能框架： DBN.py：深度学习主框架，包括数据输入、输入sigmoid转换，RBM层堆叠，softmax层输出。 RBM.py：RBM层框架，包括gibss采样、交叉熵误差验证 dA.py:这个是降噪自动编码器，目前还在研究 SdA.py:，堆叠降噪自动编码器，目前仍在研究 HiddenLayer.py:隐层主要是权值计算与更新 util.py：这主要是最后的softmax函数计算及输出 normal_8.py：输入数据归一化到[0,1] train.txt:训练数据 text.txt:测试数据 基于复杂语言网络的文本分类： 这里面主要包括两部分，一部分是语言网络的生成，另一部分是语言网络的特征抽取。 第一部分采用的数据是twenty-news-group

训练CNN分类模型-pokemon 任务： 1.尝试修改模型，加入归-化层，DropOut层 2.尝试可视化每层的输出内容 3.尝试收集新的分类数据集来体验训练过程 4.记得提交docx,或pdf文件

flowers102数据集用于分类模型训练，flower102数据集链接地址为：http://www.robots.ox.ac.uk/~vgg/data/flowers/102/，如果下载太慢可以在此处下载

ResNet50分类训练模型，使用flowers102数据集利用paddlepaddle平台训练，此处包含paddle、onnx、ir、engine四种格式模型文件，可以在Paddle Inference\OpenVINO、NVIDIA TensorRT以及ONNX runtime等部署平台使用。

鸢尾花数据集的各指标为100%,西瓜数据集的准确率为71%

megengine框架的图像分类AlexNet模型(ImageNet)

megengine框架的图像分类EspNet2.0模型(ImageNet)

megengine框架的图像分类EspNet1.0模型(ImageNet)