在Tensorflow中使用VGG19在CIFAR-10上转移学习 该存储库显示了转移学习的简单步骤。 特别是，选择了CIFAR-10数据集，并使用VGG19模型进行训练。 该模型是经过预训练的，并从借用。 我可以获得的最佳准确性约为91％。 要了解的重要概念（通常） 在书写笔记本时，我注意到我应该能够回答以下问题以进行转移学习。 在实现中对它们的答案可能会略有不同，但是概念是相同的。 在选择预训练模型时，我将展示自己的答案。 选择模型（VGG16，VGG19，ResNet，DenseNet等） 搜索模型的实现（Github） 知道如何创建模型 知道如何加载预训练的砝码 知道模型在最后一层输出的内容 知道输入数据的形状 知道如何重新缩放原始图像（数据）以适合模型 预测结果 参考

里面包含着VGG16和VGG19的模型，是对CIFAR10进行一个图像分类的源码，全部可以运行，并且在这里面，如果不想运行那么久，也有一个模型可以直接加载即可，非常全面。包含了可视化，训练模型，测试模型，加载模型，保存模型一系列操作，不对CPU和GPU做限制，都可以直接运行，非常方便。最高的准确率达到了92.58%

利用python+tensorflow实现vgg19网络跑cifar10，得到高精度。

基于VGG19的图像风格迁移.zip

VGG预训练模型需要连接外网下载，而且下载速度很慢，有500多兆！资源包括VGG16和VGG19预训练模型

Google上的预训练模型，特此上传分享与大家！如果没有积分，可以b度网盘，地址：https://pan.baidu.com/s/1LZdF8s1KWuM9-WXYMl1CBA MM：t9u9

神经风格转移 基于VGG19模型的神经风格Trnasfer :star: 在GitHub上为这个项目加注星标-它会有所帮助！ 是GAN应用程序中最好的例子之一。 它可以改善输入的低分辨率图像的质量。 作为生成器，此GAN使用SRResNet （超高分辨率残留网络）。 为了提供更好的输出图像质量，网络在三种不同的损失函数上进行训练。 表中的内容 评估 您可以在图像上评估经过预训练的超分辨率GAN 。 为此，请使用eval.py 训练 数据库 超分辨率甘练得从STL10数据集torchvision.dataset 。 发电机预热 在训练生成器和鉴别器之前，我们应该在具有像元损失函数的数据集上对Ganarator进行预训练。 有关生成器的预热，请参见“ ”。 鉴别器训练 发电机预热后，我们将对发电机和鉴别器的损失功能进行培训。 生成器损失包括对抗性损失（伪造预测与目标之间的BCE损失），基于模型

vgg19_weights_th_dim_ordering_th_kernels.h5; vgg19_weights_tf_dim_ordering_tf_kernels.h5; vgg19_weights_th_dim_ordering_th_kernels_notop.h5; vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5; 百_度_网_盘_下_载

本文参照文章https://www.jianshu.com/p/898f8bd91f94（作者简书ID）在Jeston Nano平台上实现基于深度学习的图片分类的过程，包括 Nano系统安装与环境搭建，分类模型简介、构建与实现和目标检测简介与构建，若有相关代码问题可以查查我引用儿简书文章（链接https://www.jianshu.com/p/898f8bd91f94），也欢迎大家询问我这个小白，毕竟刚整理完，知识还是热乎的！ 注意：本着资源共享的初衷，因为这篇文章整理也是参照很多CSDN上文章内容收集而成，本人都会在文章中注明！请各位使用该文章时也请先联系本人（2905687693@qq.com)，并署名本人CSDN上的ID名后再引用该文，否则任何在网上发布该文章的内容都视为侵犯本人著作权！谢谢！ 文章中引用的文章： 1.https://blog.csdn.net/qqqzmy/article/details/96764071（作者ID——Mingyong_Zhuang）和https://blog.csdn.net/qqqzmy/article/details/96729609?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162134886416780262581708%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162134886416780262581708&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-3-96729609.first_rank_v2_pc_rank_v29&utm_term=jeston+nano&spm=1018.2226.3001.4187（CSDN作者ID——Mingyong_Zhuang） 2.1. https://blog.csdn.net/qq_33475105/article/details/106044929?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162134811516780274141776%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162134811516780274141776&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-2-106044929.first_rank_v2_pc_rank_v29&utm_term=nano%E5%AE%89%E8%A3%85ide&spm=1018.2226.3001.4187（CSDN作者ID——Colin.Tan）

通常VGG训练模型下载需要连接，且下载速度慢，资源大小相对较大，下载慢，影响深度学习的热情，尤其是迁移学习这一块更是对VGG模型不可或缺。连接提供资源链接。 模型下载后参考我的模型加载方法就可以生成绚丽多彩的图片了