cifar-10数据集的jpg格式，分为训练集和测试集 路漫漫其修远兮，分享一些免费快捷的东西，你我共勉，别在这些小的事情上浪费时间，加油。

CIFAR-10图像数据集

cifar-10深度学习做图像处理的入门数据集，含有10个种类的图片

CIFAR-10的Pytorch对抗训练 该存储库为CIFAR-10上的对抗训练方法提供了简单的PyTorch实现。 该存储库显示的精度与原始论文中的精度相似。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 实验设定 此存储库中使用的基本实验设置遵循使用的设置。 数据集：CIFAR-10（10个类） 攻击方式：PGD攻击 Epsilon大小： L无限边界为0.0314 Epsilon大小：绑定L2时为0.25（用于攻击）或0.5（用于训练） 培训批次大小：128 重量衰减：0.0002 动量：0.9 学习率调整 0.1代表时期[0，100） 纪元0.01 [100，150） 历时0.001 [150，200） 该存储库中使用的ResNet-18体系结构比Madry Laboratory小，但性能相似。 训练方法 1.基本训练 基本训练方法采用He

cifar-10数据转为图片（jpg，png）-附件资源

把原Cifar-10数据集解压成多个tif文件。 训练集50000张tif，0.tif~49999.tif的标签对应label.tif中的从左到右、从上往下像素值，比如0.tif对应第1行第1列像素值，1.tif对应第1行第2列像素值。 测试集10000张tif，0.tif~9999.tif的标签对应label.tif中的从左到右、从上往下像素值，比如0.tif对应第1行第1列像素值，1.tif对应第1行第2列像素值。

cifar-10数据集，jpg格式，包含50000张训练图片和10000张测试图，图片名包含标签

用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像：飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船，卡车： 1.准备数据 我们需要将输入标准化，例如：$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评估模型 在测试集上评估模型。 打印混淆矩阵。 在混淆矩阵中，单元格的颜色越亮表示该单元格中的值越高。 理想情况下，矩阵的对角线应为高值，以指示模型正确预测了真实标签。 5.可视化类激活图 以下代码将打印正在考虑的图像，它是对应的激活图，以及覆盖在图像上的激活图。 这有助于我们找出有助于网络进行预测/

【Keras-DenseNet】CIFAR-10-附件资源

CIFAR-10 图片格式数据集，按 10 分类文件夹储存 https://github.com/cyizhuo/CIFAR-10-dataset