resnet50 模型，很难训练，且训练一次需要很长时间，最好保存

直接下载通过调用里面参数及模型结构就可以快速训练好模型，帮助你节省时间！

ResNet-50 这是推理CNN的MATLAB实现。 脚本“ rn_forward.m”对该网络进行前向传递。 默认情况下，输入图像是非洲丛林象，脚本输出如下所示： *************************************** 1. 0.756 386: 'African elephant, Loxodonta africana', 2. 0.226 101: 'tusker', 3. 0.018 385: 'Indian elephant, Elephas maximus', 4. 0.000 51: 'triceratops', 5. 0.000 978: 'seashore, coast, seacoast, sea-coast',

10-monkey-species 数据集是一个10类不同品种猴子的数据集，这个数据集是从kaggle平台中下载到本地使用的，在这个分类猴子的数据集中我们使用resnet50模型来做迁移学习fine tune，并且最终实现向模型中输入一张图片能够打印出该图片属于哪类猴子品种的结果。 import matplotlib as mpl #画图用的库 import matplotlib.pyplot as plt #下面这一句是为了可以在notebook中画图 %matplotlib inline import numpy as np import sklearn #机器学习算法库 impor

在本笔记本中，我使用的是 MNIST Digits 数据集。关于数据集：数据集由 10 类手写图像图片组成，每类图片的数字在 0-9 之间。使用 Trasnfer 学习架构 ResNet50，CNN 模型

百度网盘 resnet18-5c106cde resnet34-333f7ec4 resnet50-19c8e357 resnet101-5d3b4d8f r esnet152-b121ed2d

代码为Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization的复现，采用resnet50预训练网络，较好的实验了预期效果。

resnet50_caffe.pth 预训练模型之一。 在Detectron.pytorch等项目中的config文件（*.yaml）中会用到

目前开源的一些resnet代码都是高度集成化，内部的层输出很难一一取出分析。为了能够对resnet每一层的输出都能操作，我修改了模型编写的方式，让resnet的代码的可读性提高。

resnet50预训练文件