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

在Pytorch中CIFAR10 / CIFAR100的正确ResNet实施 提供了许多最新体系结构的实现，但是，其中大多数是为ImageNet定义和实现的。 通常，在其他数据集上使用提供的模型很简单，但是某些情况下需要手动设置。 例如，很少有带有CIFAR10上ResNets的pytorch存储库提供了如所述的实现。 如果仅在CIFAR10上使用Torchvision的模型，您将获得在层数和参数上有所不同的模型。 如果要直接将CIFAR10上的ResNet-s与原始纸张进行比较，这是不可接受的。 此存储库的目的是为原始文件中所述的CIFAR10提供ResNet-s的有效pytorch实现。 提供以下模型： 名称 ＃层 ＃个参数 测试错误（纸） 测试错误（此隐含） 20 27万 8.75％ 8.27％ 32 46万 7.51％ 7.37％ 44 66万 7.17％

tensorflow2.3-keras使用卷积神经网络CNN实现cifar10图像分类源码+数据集+注释+模型加载保存

基于tensorflow和keras的cifar10图像分类源码，5星级源码

包含pytorch使用的mnist数据集以及mnist原始数据集。用来实验

盗梦空间-v3-cifar10 基于 。 安装 拉Docker镜像 $ docker pull tensorflow/tensorflow:1.7.0-py3 $ docker run -it --name {docker-name} tensorflow/tensorflow:1.7.0-py3 /bin/bash 拉GitHub存储库 ~# apt-get update ~# apt-get install git ~# git clone https://github.com/PJunhyuk/inception-v3-cifar10 下载数据集 ~/inception-v3-cifar10# python download_and_convert_data.py --dataset_name=cifar10 --dataset_dir="/tmp/data/cifar10" 用法

CondenseNet-PyTorch 的PyTorch实施 目录： 项目结构： ├── agents | └── condensenet.py # the main training agent ├── graphs | └── models | | └── condensenet.py | | └── denseblock.py | | └── layers.py | └── losses | | └── loss.py # contains cross entropy loss definition ├── datasets # contains all dataloaders for the project | └── cifar10.py # dataloader for cifar10 dataset ├── data | └── cifar10

DenseNet-Fast-40-12-CIFAR10.h5 准确率高达93% 可用此直接发布到heroku上

基于Tensorflow1.4运行的cifar数据集训练测试代码完整版

因为tensorflow2.0的keras api需要从cifar官方下载速度太慢，并且代码会检查md5，所以特意整理出来分享，直接将其解压到 windows: C:/用户/"你的用户名"/.keras/datasets/ Linux: ~/.keras/datasets/ 就可以使用