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。

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％

CIFAR-10-100(含png图)，TensorFlow中Kears实战用到的。

此文件是数据的输入读取环节，Copyright 2015 The TensorFlow Authors. All Rights Reserved. Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at http://www.apache.org/licenses/LICENSE-2.0 Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.See the License for the specific language governing permissions and limitations under the License.

CIFAR-10 Dataset 是用于机器视觉领域的图像分类数据集，它有飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车共计 10 个类别的 60000 张彩色图像，尺寸均为 32*32，其包含 5 个训练批次和 1 个测试批次，每个批次有 10000 张图像。 该数据集由多伦多大学计算机科学系的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 于 2009 年发布，相关论文有《Learning Multiple Layers of Features from Tiny Images》。

CIFAR-100 Dataset 是用于机器视觉领域的图像分类数据集，拥有 20 个大类，共计 100 个小类，其中每个小类包含 600 张图像（500 张训练图像和 100 张测试图像）并且每张图像均有一个小标签和一个大标签。 该数据集由多伦多大学计算机科学系的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 于 2009 年发布，相关论文有《Learning Multiple Layers of Features from Tiny Images》。

cifar-10-batches-py.zip