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

Python CIFAR-1 数据集；下载自：http://www.cs.toronto.edu/~kriz/cifar.html

基于Cifar数据集，控制对抗神经网络（cgan）的实现，生成图片

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

GAN-VAE 分别为CIFAR-10和MNIST任务实施GAN和VAE