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。

Basic_CNNs_TensorFlow2 一些基本CNN的tensorflow2实现。 包括的网络： MobileNet_V1 MobileNet_V2 SE_ResNet_50，SE_ResNet_101，SE_ResNet_152，SE_ResNeXt_50，SE_ResNeXt_101 挤压网 ShuffleNetV2 RegNet 其他网络 对于AlexNet和VGG，请参见： : 对于InceptionV3，请参见： : 对于ResNet，请参阅： : 培养 要求： Python> = 3.6 Tensorflow> = 2.4.0 tensorfl

Retinal Vessel Segmentation Author：zhiyu-Lin Date：2018-7-1 E-mail: Description: 眼底图像中视网膜血管的分割，数字图像处理大作业。 前言 随着近年医学设备和科技的发达，越来越多的医学图像被运用到病理诊断和医学研究当中去。其中视网膜图像是其中非常重要一类的医学图像，对于一些眼球疾病的预测和诊断有非常高的指导意义。 本篇报告讲述如何使用深度卷积神经网络对眼底图像进行视网膜分割。方法: 训练二分类分割神经网络和多分类分割神经网络（粗和细血管分二类），使用二分类网络结果图像指导增强原图像，使用多分类网络进行二次分割。结果: 实验结果表明，对于大部分眼底图像进行二次分割比一次分割得到的准确率更高，在测试集上的F1值达到0.8253。 环境 python>=3.5 pytorch==0.3.0.post4 torchvisi

Pytorch CIFAR-10分类（DenseNet）

SENet-Tensorflow 使用Cifar10的简单Tensorflow实现 我实现了以下SENet 如果您想查看原始作者的代码，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn ） 问题 图片尺寸 在纸上，尝试了ImageNet 但是，由于Inception网络中的图像大小问题，因此我对Cifar10使用零填充 input_x = tf . pad ( input_x , [[ 0 , 0 ], [ 32 , 32 ], [ 32 , 32 ], [ 0 , 0 ]]) # size 32x32

卷积递归神经网络（CRNN）在OCR的研究中取得了巨大的成功。 但是现有的深度模型通常在池化操作中应用下采样，以通过丢弃一些特征信息来减小特征的大小，这可能会导致丢失占用率较小的相关字符。 而且，循环模块中的所有隐藏层单元都需要在循环层中连接，这可能导致沉重的计算负担。 在本文中，我们尝试使用密集卷积网络（DenseNet）替代CRNN的卷积网络来连接和组合多个功能，从而潜在地改善结果。 另外，我们使用上采样功能构造一个上采样块，以减少池化阶段下采样的负面影响，并在一定程度上恢复丢失的信息。 因此，信息特征也可以用更深层次的结构来提取。 此外，我们还直接使用内部卷积部分的输出来描述每个帧的标签分布，以提高处理效率。 最后，我们提出了一个新的OCR框架，称为DenseNet，带有上采样块联合和连接主义的时间分类，用于中文识别。 中文字符串数据集上的结果表明，与几种流行的深度框架相比，我们的模型提供了增强的性能。

在10分钟内用Flask作为Web App部署Keras模型 一个漂亮且可自定义的Web应用程序，可轻松部署DL模型 10分钟入门 克隆此仓库 安装要求 运行脚本 转到 做完了！ :party_popper: :backhand_index_pointing_down: 屏幕截图： 新的功能 :fire: 增强的，适合移动设备的UI 支持图像拖放 使用原始JavaScript，HTML和CSS。 删除jQuery和Bootstrap 默认情况下切换到TensorFlow 2.0和 将Docker基本映像升级到Python 3（2020年） 如果您需要使用Python 2.x或TensorFlow 1.x，请签出快照 与Docker一起运行 使用 ，您可以在数分钟内快速

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

DenseNet结构在16年由Huang Gao和Liu Zhuang等人提出，并且在CVRP2017中被评为最佳论文。网络的核心结构为如下所示的Dense块，在每一个Dense块中，存在多个Dense层，即下图所示的H1～H4。各Dense层之间彼此均相互连接，即H1的输入为x0，输出为x1，H2的输入即为[x0, x1]，输出为x2，依次类推。最终Dense块的输出即为[x0, x1, x2, x3, x4]。这种结构个人感觉非常类似生物学里边的神经元连接方式，应该能够比较有效的提高了网络中特征信息的利用效率。 DenseNet的其他结构就非常类似一般的卷积神经网络结构了，可以参考论文中

Densenet-Tensorflow 的Tensorflow实施使用Cifar10，MNIST 实现本文的代码是Densenet.py 略有不同，我使用了AdamOptimizer 如果您想查看原始作者的代码或其他实现，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn However, I implemented it using tf.layers, so don ' t worry 问题 我用了tf.contrib.layers.batch_norm def Batch_Normali