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

一、CIFAR-10简介 CIFAR-10数据集包含10个类别，共计60000张 32×32 3通道彩色图像。其中每个类别包含6000张图像：训练图像50000张，测试图像10000张。 数据集被分为五个训练批次和一个测试批次。每个测试批次有10000张图像，为每个类别各随机挑出1000张构成；训练批次为随机打乱的剩余图像。某些训练批次可能出现一个类型的图像多于另一个类型的情况，但总体而言，训练批次包含每个类型恰好5000张。 二、说明 图片原格式为32*32 3通道 第一次卷积：卷积核大小为3*3，输出32*32 32通道 第一次池化：最大值池化，输出为16*16 32通道 第二次卷积：卷

文件夹包括data子文件夹（里面是用于训练卷积神经网络的CIFAR-10数据集）、CIFAR-10.ipynb（里面是卷积神经网络的实现代码，在jupyter里运行它便可以训练自己的卷积神经网络）。文件夹中其他文件是写代码时我做测试用，不影响对最后的结果，可以不看。代码准确无误，下载后直接运行，不需要改动。

CIFAR-10 使用VGG-16，Resnet和Inception net，模型对CIFAR-10数据集的图像进行分类，以对不同的对象（例如汽车，狗等）进行分类。

Pytorch CIFAR-10分类（ResNet34）

Pytorch CIFAR-10分类（DenseNet）

Pytorch CIFAR-10分类工具函数

【深度学习】Cifar-10-探究不同的改进策略对分类准确率提高【深度学习】Cifar-10-探究不同的改进策略对分类准确率提高