LeNet web 做CIFAR10 的图像分类

CIFAR10数据集

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。

里面有百度云下载链接，永久有效，该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。

作业实现cnn并用在cifar10上，卷积，padding等部分不需torch实现

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