著名的图片分类数据集，原版的在CSDN已经有很多了，这一个版本的是我将原版的数据集导出成图片格式，同时用json文件来标注图片的类别。 本资源只包含CIFAR-10数据集中的测试集， 训练集链接：https://download.csdn.net/download/sinat_22481983/12232436 压缩包内需要包括png格式的图片源文件及同名的json格式标注文件，可直接导入EasyDL中使用。 关于本数据集的官方介绍，请参见： http://www.cs.toronto.edu/~kriz/cifar.html

卷积神经网络实现图片分类（CIFAR-10） 保真，主页有实验说明文章，可以相互参考

CIFAR-10数据集的所有图像已全部保存至压缩包内

The CIFAR-10 and CIFAR-100 are labeled subsets of the 80 million tiny images dataset. They were collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton. from:http://www.cs.toronto.edu/~kriz/cifar.html 二进制数据集

2.2 电源引脚 2.2.1 去耦电容 需要在每对电源引脚（例如，VDD/VSS 和 AVDD/AVSS） 上使用去耦电容。 使用去耦电容时，需要考虑以下标准： • 电容的类型和电容值 ：建议使用参数为0.1 μF （100 nF）、10-20V的电容。该电容应具有低ESR， 谐振频率为 200 MHz 或更高。建议使用陶瓷电容。 • 在印制电路板上的放置：去耦电容应尽可能靠近引 脚。建议将电容与器件放置在电路板的同一层。如 果空间受到限制，可以使用过孔将电容放置在PCB 的另一层，但请确保从引脚到电容的走线长度不超 出 0.25 英寸 （6 毫米）。 • 高频噪声处理：如果电路板遇到高频噪声（频率高 于数十 MHz），则另外添加一个陶瓷电容，与上述 去耦电容并联。第二个电容的电容值可以介于 0.001 μF 至 0.01 μF 之间。请将第二个电容放置在 靠近每个主去耦电容的位置。在高速电路设计中， 需要考虑尽可能靠近电源和接地引脚放置十对这样 的电容（例如， 0.1 μF 电容与 0.001 μF 电容并联 构成一对）。 • 大程度提高性能：对于从电源电路开始的电路板 布线，需要将电源和返回走线先连接到去耦电容， 然后再与器件引脚连接。这可以确保去耦电容是电 源链中的第一个元件。同等重要的是尽可能减小电 容和电源引脚之间的走线长度，从而降低 PCB 走 线电感。 2.2.2 槽路电容 对于电源走线长度超出 6 英寸的电路板，建议对集成电 路（包括单片机）使用槽路电容来提供本地电源。槽路 电容的电容值应根据连接电源与器件的走线电阻和应用 中的器件的 大电流确定。也就是说，选择的槽路电容 需要满足器件的可接受电压骤降要求。典型值的范围为 4.7 μF 至 47 μF。 2.3 主复位（MCLR）引脚 MCLR 引脚提供两种特定的器件功能：器件复位，以及 器件编程和调试。如果 终应用中不需要进行编程和调 试，则只需直接连接 VDD 即可。添加其他元件有助于提 高应用抵抗由于电压骤降导致意外复位的能力。图 2-1 给出了一种典型配置。根据应用的需求，还可以实现其 他电路设计。 在编程和调试过程中，必须考虑到引脚上可能会增加 的电阻和电容。器件编程器和调试器会驱动 MCLR 引 脚。因此，特定电平 （VIH 和 VIL）和快速信号跳变一 定不能受到不利影响。所以，需要根据应用和 PCB 需 求来调整 R1 和 C1 的具体值。例如，在编程和调试操 作期间，建议通过使用跳线将电容 C1 与 MCLR 引脚隔 离（图 2-2）。对于正常的运行时操作，可以将跳线放 回原处。 与 MCLR 引脚关联的所有元件都应放置在距离该引脚 0.25 英寸（6 毫米）的范围内。 图 2-2： MCLR 引脚连接示例 注 1： 建议 R1 ≤ 10 kΩ。建议的起始值为 10 kΩ。请 确保满足 MCLR 引脚 VIH 和 VIL 规范。 2： R2 ≤ 470Ω将限制任何电流从外部电容C流入 MCLR，以避免由于静电放电 （Electrostatic Discharge， ESD）或 电 过 载 （Electrical Overstress，EOS）导致 MCLR 引脚损坏。请 确保满足 MCLR 引脚 VIH 和 VIL 规范。 C1 R2 R1 VDD MCLR PIC18FXXKXXJPDS39977C_CN 第 48 页 初稿  2011 Microchip Technology Inc.

CIFAR-10数据集

使用matlab语言，在cifar-10数据集上完成了k-means方法的聚类任务，但是效果不是很好，由于使用的是matlab自身所带的函数，可能运行效果与此有关系。先暂定存档，日后想到好的方法再进行改进。

keras卷积神经网络下的CIFAR-10图像识别,该资源由浅入深，让你从0基础一步一步搭建神经网络模型。

已经讲到，Keras在构建模型方面，尤其是串联结构的模型时，使用Sequential无疑是一种比较好的选择，但是随着深度学习的不断发展，面对多种多样的模型，尤其是像GoogleNet等带有Inception结构的模型，仅仅是并联的结构是无法满足实际的需要，这种并联的网络结构往往对应着多个输出，这种时候我们往往需要选择更加通用的Functional模型，因为其的广泛性与通用性，在很多开源项目上面使用的就是这种以Model为类名的函数式模型。 本篇将会以CIFAR-10数据集的一系列操作为时间线，来学习Functional模型。https://blog.csdn.net/qq_37972530/article/details/85873949

使用tensorflow简单实现了残差网络的block模块以及 bottleneck模块，并在cifar-10数据集上进行了简单测试