包含resnet18 和resnet50依据imagenet预训练好的caffemodel，可以直接加上caffe model文件夹或者example文奸夹里面的prototxt使用

resnet ppt refer to Deep Residual Learning for Image Recognition

ResNet-34 Pre-trained Model for PyTorch. ResNet-34 PyTorch的预训练模型。 resnet34_datasets.txt

Fruit-Dataset水果数据集+水果分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2),本项目将采用深度学习的方法，搭建一个水果分类识别的训练和测试系统，实现一个简单的水果图像分类识别系统。目前，基于ResNet18的水果分类识别，支持262种水果分类识别，在水果数据集Fruit-Dataset上，训练集的Accuracy在95%左右，测试集的Accuracy在83%左右，骨干网络，可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2等常用模型: 【原文地址】《Fruit-Dataset水果数据集+水果分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2)》：https://panjinquan.blog.csdn.net/article/details/126411788

ResNet 识别102种花深度学习代码，对于初学深度学习和RESNET网络，有较好的指导作用

resnet50-19c8e357.pth

resnet101-5d3b4d8f.pth

resnet152-b121ed2d.pth

PyTorch中的广泛残留网络（WideResNets） 在PyTorch中实现的CIFAR10 / 100的WideResNets。 此实现所需的GPU内存少于官方Torch实现所需的GPU内存： : 。 例子： python train.py --dataset cifar100 --layers 40 --widen-factor 4 致谢 宽余网络（BMVC 2016） ，作者：Sergey Zagoruyko和Nikos Komodakis。

在Pytorch中CIFAR10 / CIFAR100的正确ResNet实施 提供了许多最新体系结构的实现，但是，其中大多数是为ImageNet定义和实现的。 通常，在其他数据集上使用提供的模型很简单，但是某些情况下需要手动设置。 例如，很少有带有CIFAR10上ResNets的pytorch存储库提供了如所述的实现。 如果仅在CIFAR10上使用Torchvision的模型，您将获得在层数和参数上有所不同的模型。 如果要直接将CIFAR10上的ResNet-s与原始纸张进行比较，这是不可接受的。 此存储库的目的是为原始文件中所述的CIFAR10提供ResNet-s的有效pytorch实现。 提供以下模型： 名称 ＃层 ＃个参数 测试错误（纸） 测试错误（此隐含） 20 27万 8.75％ 8.27％ 32 46万 7.51％ 7.37％ 44 66万 7.17％