使用CIFAR数据集进行残留网络实验。 更新（2018/06/15） 我们使用了一种称为HTD的新学习率调度程序。 您可以在或在我们的玩具演示代码。 原始存储库 该存储库是关于CIFAR-10和CIFAR-100的学习率的一些实验。 原始论文以0.1的学习率开始，在32k（ 81 epoch ）和48k（ 122 epoch ）迭代中将其除以10 ，并在64k迭代（总共200 epoch ）时终止训练。 我基于相同的架构进行了其他实验。 唯一的区别是学习率时间表。 所有张量板日志和预训练模型都可以在 怎么跑 您可以运行脚本run.sh来启动所有实验。 或仅运行以下命令： python3 ResNet_keras.py --epochs 200 --stack_n 3 --lr_scheduler 1 --dataset cifar100 实验的准确性 如有任何疑问，请随时与我联

CIFAR-10数据集是深度学习中的一个通用的用于图像识别的基础数据集，官网下载太慢了，可以用这个学习交流。

cifar-100-python cifar-100-python cifar-100-python 免费下载

GoogLeNet用于图像分类 TensorFlow的实现一起（CVPR'15）。 该存储库包含使用预训练模型进行自然图像分类的示例，以及从头开始在数据集上训练Inception网络（测试集的准确度为93.64％）。 可以从 下载CIFAR-10上的预训练模型。 本文的GoogLeNet架构： 要求 Python 3.3以上 实施细节 GoogLeNet模型在定义。 Inception模块在定义。 使用预训练模型进行图像分类的示例在 。 在example ，有一个在CIFAR-10上从头开始训练网络的 。 用于测试预训练模型 重新缩放图像，使最小边等于224，然后再输入模型。 这

MobileNetV2_pytorch_cifar 这是MobileNetv2在PyTorch中的完整实现，可以在CIFAR10，CIFAR100或您自己的数据集中进行训练。 该网络来自下面的论文 残差和线性瓶颈：用于分类，检测和细分的移动网络 在该网络中，使用了反向残差结构和深度卷积。 请参阅该论文以获取更多详细信息 用法 此项目已编译并在Python 2.7和PyTorch 0.4.0上运行。以下是一些必需的依赖项： torch 0.4.0 torchvision 0.2.1 numpy 1.14.3 tensorboardX 1.2 使用pip首先安装它们 训练与测试 下载CIFAR10或CIFAR100数据集，或准备自己的数据集，如PyTorch中定义的数据加载器 将config.py修改为您自己的配置，例如。 更改image_size或其他 运行python main.py

Transfer_Learning_ResNet50 在此存储库中，我们将执行转移学习，以在Keras中的ResNet50模型上训练CIFAR-10数据集。

卷积神经网络CNN识别图像集Cifar10，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手

模仿CIFAR数据集格式制作自己的数据集

PyTorch图像分类 以下论文是使用PyTorch实现的。 ResNet（ ） ResNet- （ ） 警告（ ） DenseNet（ ， ） 金字塔网（ ） ResNeXt（ ） 摇一摇（ ） LARS（ ， ） 抠图（ ） 随机擦除（ ） SENet（ ） 混合（ ） 双切口（ 1802.07426 ） RICAP （ 1811.09030 ） CutMix（ 1905.04899 ） 要求 Ubuntu（仅在Ubuntu上进行过测试，因此可能无法在Windows上运行。） Python> = 3.7 PyTorch> = 1.4.0 火炬视觉 NVIDIA Apex pip install -r requirements.txt 用法 python train.py --config configs/cifar/

CIFAR_10-with-pytorch 一个Pytorch练习，实现CIFAR-10数据集的图像分类