SENet.mxnet 挤压和激励网络的MXNet实现（ SE-ResNext 18,50,101,152，SE-Resnet，SE-Inception-v4和SE-Inception-Resnet-v2 ） 这是的挤压和激发网络（ SE-ResNext，SE-Resnet，SE-Inception-v4和SE-Inception-Resnet-v2 ）体系结构，如提出的。等al。 他们在SENet中部署了此SE块，并赢得了Imagenet 2017分类任务。 作者的caffe实现可在GitHub的中找到。 这是“挤压和激励”块的图示。 SE-ResNet模块的实现如下： SE-ResNext 50的实现如下表所示： 此MXNet实现。 我还从了。 顺便说一句，我在最后一个FullyConnected层之前添加了一个辍学层。 对于Inception v4，我从引用了MXnet

inception_v3_2016_08_28_frozen.pb压缩包+imagenet_slim_labels

利用Inception-v3现成权重进行特征提取（图像识别）-附件资源

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

这是来自https://storage.googleapis.com/download.tensorflow.org的模型文件，经常链接失效，或者下载速度奇慢。我花了很大功夫下载好，供大家使用。

（亲测可用）tensorflow训练模型进行调参，生成inception_v1.pb模型文件用于预测

当神经网络具有许多参数时，它们的效果最佳，这使它们成为功能强大的函数逼近器。但是，这意味着必须对非常大的数据集进行训练。由于从头开始训练模型可能是一个非常耗费计算量的过程，需要几天甚至几周的时间，因此，这里提供了各种预先训练的模型供大家下载！

目前网上好多代码案例是预测一张图片，那么如何可以调用一次模型，预测很多图片呢。首先读取文件夹中的图片，设置batch_size，开始预测。最后对结果进行处理。因为我刚开始学习深度学习的时候，什么都不懂，网上好多代码调用一次模型都是预测一张图片。然后我对一个文件夹的图片进行预测，调用了一个文件夹图片数量次模型！我太傻了。。。本代码是调用一次模型识别一个batch

经过，终于将它下载下来，现在将它分享出来。基于谷歌inception v3训练好的模型。包含： inflating: imagenet_comp_graph_label_strings.txt inflating: LICENSE inflating: tensorflow_inception_graph.pb

model weight in this repo https://github.com/fchollet/deep-learning-models Keras提供的预训练权重