Caltech101 是一个图像物体识别数据集，包含 101 类物体的图像，每个类别中最小包含 31 张图片。

PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more PyTorch 图像模型等 2020 年 6 月 11 日最新消息 一系列变化：DenseNet 模型更新了来自 Torchvision 的内存高效添加（修复了一个错误），添加了模糊池和深干添加 VoVNet V1 和 V2 模型，训练了 39 V2 变体 (ese_vovnet_39b)到 79.3 top-1 激活工厂与新激活一起添加：在模型创建时选择操作，以便更灵活地使用与脚本或跟踪兼容的激活（ONNX 导出） hard_mish（实验性）添加了内存高效的 grad，以及 ME hard_swish 上下文mgr 用于设置可导出/脚本化/no_jit 状态 Norm + Activation 组合层在 DenseNet 和 VoVNet 中添加了初始试用支持，以

PyTorch中的ImageNet培训 这将对ImageNet数据集上的流行模型架构（例如ResNet，AlexNet和VGG）进行训练。 要求 安装PyTorch（ ） pip install -r requirements.txt 下载ImageNet数据集并将验证图像移动到带标签的子文件夹中 为此，您可以使用以下脚本： : 训练 要训​​练模型， main.py使用所需的模型架构和ImageNet数据集的路径运行main.py ： python main.py -a resnet18 [imagenet-folder with train and val folders] 默认学习率计划从0.1开始，每30个时代衰减10倍。 这对于ResNet和具有批处理归一化的模型是合适的，但对于AlexNet和VGG来说太高了。 使用0.01作为AlexNet或VGG的初始学习率：

是我大作业的代码了哈哈，要是需要带注释的可以私聊哈哈 代码使用方法： 1. 读取数据集 2. 初始化模型参数（选择哪个模型就初始化哪个） 3.定义激活函数（只有选择带隐含层的模型才需要激活函数） 4.防止过拟合（只有选择带隐含层的模型才需要防止过拟合，不过因为下面我们用的权重衰减在训练是也有定义，所以我们需要也给它加个定义） 5.定义模型（选择哪个模型就定义哪个） 6.定义损失函数 7. 定义优化函数 8.训练模型（训练结束可进行绘图） 9. 进行预测 可变参数： 1.选择模型（三种模型，可选用） 2.激活函数（两种） 3.防止过拟合（两种方法，可选用也可都用） 权重衰减（通过lambd 来调整， lambd = 0 即不使用此方法） 丢弃法（通过定义模型时选择） 4.损失函数（咱们的代码只用了一种） 5.优化方法（咱们的代码只用了一种） 6.训练模型（迭代周期数num_epochs和学习率lr可调） 7.定义数据集时小批量的大小

DeepVariant - Google开源深度学习模型，将基因组中的识别变异任务转换为图像分类问题的基因组学工具

在Android设备上使用MACE实现图像分类的一个小的demo。

遥感图像计算机分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被类型分类、岩性分类。

图像分类-花分类数据集

基于模糊聚类和神经网络的医学图像分类.pdf

[实战]200类鸟类细粒度分类识别 我又来了！！！！ 一、图像分类 这次进行实战项目，鸟类细粒度分类识别实战。再讲细粒度分类之前，让我们先回顾一下图像分类吧。 图像分类是计算机视觉的最基础的一个任务，从最开始的入门级的mnist手写数字识别、猫狗图像二分类到后来的imagenet任务。图像分类模型随着数据集的增长，一步步提升到了今天的水平。计算机的图像分类水准已经超过了人类。 在这里我把图像分类任务分为了两种，一种是单标签的图像分类任务，一种是多标签的图像分类任务。 多标签的图像分类任务，更加符合人们的认知习惯。因为现实生活中的图片往往会包含多个类别物体。 而在单标签的图像分类任务中又可以