压缩包包含 1：CIFAR10原始数据集 2：CIFAR10转化为图片后的格式（PNG），分为train和test的两个文件夹，每个文件夹下有10个类别 CIFAR10数据集介绍：CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片

AlexNet模型是Hinton的学生Alex Krizhevsky在2012年提出来的。AlexNet包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。 AlexNet主要使用的新技术点如下： （1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深的网络超过了sigmoid，解决了sigmoid在网络较深时的梯度弥散问题。 （2）训练时使用dropout随机忽略一部分神经元，以避免过拟合，主要是最后几个全连接层使用了dropout。 （3）在CNN中使用重叠的最大池化，避免平均池化的模糊化效果。并且提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。 （4）提出了LRN层，对局部的神经元活动创建竞争机制，使其中响应比较大的值变得更大，增强了模型的泛化能力。 （5）使用CUDA加速深度卷积网络的训练，利用GPU强大的并行计算能力，处理神经网络训练时大量的矩阵运算。 （6）数据增强，大大减轻过拟合，提升泛化能力。

pytorch深度学习框架虽然在一些方面上不如tensorflow，但是具备自己特有的优势，本代码是深度学习和pytorch之间的一些例程，以供学习～

基于CNN训练的一套 "端到端" 的验证码识别模型，使用深度学习+训练数据+大量计算力，纯数字识别率高达 99.99%，数字+字母识别率 96%

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习 除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习

使用最新的github源程序打包的单个可执行程序Labelme.exe文件! 省去了安装anaconda环境后再配置Label环境的步骤，直接双击Windows环境下使用，便于协同标注，提高标注效率。 labelme工具主要用于图像分割领域制作自己的数据集； labelme可以自己制作像MaskRCNN模型做图像分割训练需要的数据集。

随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

对比分析主流的深度学习框架：TensorFlow是相对高阶的机器学习库，用户可以方便地用它设计神经网络结构，而不必为了追求高效率的实现亲自写C++或CUDA代码;Caffe 全称为 Convolutional Architecture for Fast Feature Embedding，是一个被广泛使用的开源深度学习框架（在TensorFlow出现之前一直是深度学习领域 GitHub star 最多的项目)，目前由伯克利视觉学中心（Berkeley Vision and Learning Center，BVLC）进行维护;Theano 诞生于2008年，由蒙特利尔大学 Lisa Lab 团队开发并维护，是一个高性能的符号计算及深度学习库。

该资源包涵这本书的英文版，中文版和课本中的代码。本资源都是高清版本