Pytorch实现DenseNet模型在CIFAR10数据集上的测试。ipynb文件，包含了完整的训练、测试输出数据。

Pytorch实现MobileNet模型在CIFAR10数据集上的测试。ipynb文件，包含了完整的训练、测试输出数据。

Pytorch实现Vision Transformer模型在CIFAR10数据集上的测试。压缩包，包含了完整的训练、测试输出数据。

WRN的PyTorch实施 用法 $ python main.py --depth 28 --widening_factor 10 --outdir results CIFAR-10的结果 模型 测试错误（3次运行的中位数） 测试错误（纸上） 训练时间 WRN-28-10 4.03 4.00（5次中位数） 16h10m 注意此模型使用批处理大小64（纸上为128）进行训练。 参考 Sergey Zagoruyko和Nikos Komodakis。 广泛的残留网络。 在Richard C. Wilson，Edwin R. Hancock和William AP Smith的著作中，英国机器视觉会议（BMVC）会议录，第87.1-87.12页。 BMVA出版社，2016年9月 ，

pytorch-cifar10 使用PyTorch在CIFAR10上的个人实践灵感来自来自 。 介绍 CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 有50000张训练图像和10000张测试图像。 数据集分为五个训练批次和一个测试批次，每个批次具有10000张图像。 测试批次包含每个类别中恰好1000个随机选择的图像。 训练批次按随机顺序包含其余图像，但是某些训练批次可能包含比另一类更多的图像。 在它们之间，培训批次包含每个班级的正好5000张图像。 要求 python3.6 麻木 火炬0.4.0 火炬视觉0.2.0 用法 python3 main.py 可选参数： --lr default=1e-3 learning rate --epoch default=200

PyTorch实施抠图 用法 $ python main.py --block_type basic --depth 110 --use_cutout --cutout_size 16 --cutout_prob 1 --outdir results CIFAR-10的结果 模型 测试错误（5次运行的中位数） 训练时间 ResNet-preact-56，不带切口 5.85 98分钟 带切口的ResNet-preact-56 4.96 98分钟 没有抠图 $ python -u main.py --depth 56 --block_type basic --base_lr 0.2 --seed 7 --outdir results/wo_cutout/00 w /镂空 $ python -u main.py --depth 56 --block_type basic --bas

使用CIFAR10 数据集训练的基于PyTorch 的卷积神经网络

cifar10数据集分类神经网络建立训练测试的完整过程，pytorch-neutral network，有完整注释。人工智能 / 机器学习/神经网络。

7 x 7 conv,stride=2 3 x 3 maxpool,stride=2 3 x 3 resnet_block[ 64 ] x2 identity x 2 3 x 3 resnet_block[ 128 ] x2 identity x 2 3 x 3 resnet_block[ 256 ] x2 identity x 2 3 x 3 resnet_block[ 512 ] x2 identity x 2 avgpool fc ———————————————— 版权声明：本文为CSDN博主「G果」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weixin_42899627/article/details/108542019

针对cifar10的Resnet20结构，稳定跑出92左右的测试精度，符合原论文效果，源代码，数据集自下载，找不到可私信；针对cifar10的Resnet20结构，稳定跑出92左右的测试精度，符合原论文效果，源代码，数据集自下载，找不到可私信