该存储库提供了CliqueNet的pytorch重新实现，原始纸的网站在。 在此实现中，测试是在CIFAR-10数据集上完成的。 与执行纸质声明有几种不同。 我们使用后激活的conv-bn-relu而不是预激活的bn-relu-conv 我们采用注意力转移和压缩的策略，但没有采用集团内的瓶颈 我们为随机翻转提供了一个简单的数据增强选项 要求 我们的代码基于pytorch的最新版本，请访问以安装最新版本。 用法 要在CIFAR-10上训练单簧管，请参考以下命令： python main.py [-h] [-batch_size BATCH_SIZE] [-num_epochs NUM_EPOCHS] [-lr LR] [-clip CLIP] [-disable_cuda] [-augmentation] [-print_f

名字：cifar-10-python.tar.gz 有两个版本 一个cifar-10-python.tar.gz 另一个cifar-10-binary.tar.gz

CIFAR-10 是一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB 彩色图片，每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

kaggle 官方的数据，数据简介： CIFAR-10数据由10类60,000张32x32彩色图像组成，每类6000张图像。官方数据中有50,000张训练图像和10,000张测试图像。我们保留了原始数据集的训练/测试拆分。提供的文件是： train.7z-包含png格式的测试图像的文件夹 test.7z-包含png格式的测试图像的文件夹 trainLabels.csv-培训标签 为了阻止某些形式的作弊行为（例如手签），我们在测试集中添加了290,000张垃圾图像。这些图像在评分中被忽略。我们还对10,000张官方测试图像进​​行了细微的修改，以防止通过文件哈希查找它们。这些修改不应明显影响评分。您应该预测所有300,000张图像的标签。 数据集中的标签类为： 飞机 汽车 鸟 猫 鹿 狗 青蛙 马 船 卡车 这些类是完全互斥的。汽车和卡车之间没有重叠。“汽车”包括轿车，SUV和类似的东西。“卡车”仅包括大型卡车。都不包括皮卡车。

基于CNTK/C# 实现Cifar的实现，网络模型为ResNet

pytorch 搭建 LeNet 网络对 CIFAR-10 图片分类

kaggle竞赛训练集cifar-10

由于可用资源有限，我们仅在 cifar10 上测试模型。 我们主要想重现这样的结果： 使用 MAE 预训练 ViT 可以比直接使用标签进行监督学习训练获得更好的结果。这应该是自我监督学习比监督学习更有效的数据的证据。 主要遵循论文中的实现细节

这个项目是我在学习Pytorch的时候做的一个简单的CIFAR-10数据集的训练模型，里面每一步都有详细的注释介绍，很适合深度学习小白下载学习。其中包含我模型训练的代码，也包含模型测试的代码，大家可以修改参数进行测试。 1、train.py 是我训练模型的代码 2、nn_module.py 是我神经网络模型的代码 3、test.py 是我测试模型的代码 4、images 是我用来测试的图片 5、myModule_19.pth 是我训练20次后得到的模型

CIFAR-10 数据集包含 60,000 张 32x32 彩色图片，分为 10 个类别，每个类别 6,000 张。分为训练图片 50,000 张，测试图片 10,000 张。 该数据集分为 5 个训练 batch 和 1 个测试 batch，每个 batch 包含 10,000 张图片。测试 batch 包含从每个类中随机选择的 1000 张图片。剩余的图片以随机的顺序出现在 5 个续联 batch 中。由于是随机的，所以不同 batch 中包含的不同类别图片数目可能不相等。 下图是数据集包含的 10 个类别，以及随机选择的该类别的 10 张图片： 在这里插入图片描述 这些类别是完全互斥的，即一张图片只属于一个类别。