SENet-Tensorflow 使用Cifar10的简单Tensorflow实现 我实现了以下SENet 如果您想查看原始作者的代码，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn ） 问题 图片尺寸 在纸上，尝试了ImageNet 但是，由于Inception网络中的图像大小问题，因此我对Cifar10使用零填充 input_x = tf . pad ( input_x , [[ 0 , 0 ], [ 32 , 32 ], [ 32 , 32 ], [ 0 , 0 ]]) # size 32x32

WRN的PyTorch实施 用法 $ python main.py --depth 28 --widening_factor 10 --outdir results CIFAR-10的结果 模型 测试错误（3次运行的中位数） 测试错误（纸上） 训练时间 WRN-28-10 4.03 4.00（5次中位数） 16h10m 注意此模型使用批处理大小64（纸上为128）进行训练。 参考 Sergey Zagoruyko和Nikos Komodakis。 广泛的残留网络。 在Richard C. Wilson，Edwin R. Hancock和William AP Smith的著作中，英国机器视觉会议（BMVC）会议录，第87.1-87.12页。 BMVA出版社，2016年9月 ，

官方网站下载太慢

matlab2017a代码标题：在CIFAR 10上使用CNN的目标检测和图像分类 以下过程说明了如何运行给定的代码：####################################### ################################# 先决条件： 安装了Anaconda软件的系统链接： 要打开您的工作区，请键入以下内容，然后导航到保存代码的文件夹。 jupyter笔记本 已安装Matlab 2017a版本的系统。 ################################################ ####################### 代码结构： AlexNet/ -- data/results/ -- stats_alexnet_testing.mat -- stats_alexnet_validation.mat -- Logs/out_train_alexnet_cifar10_875643.cph-m1.uncc.edu -- AlexNet_Tester.m -- AlexNet_Trainer.m --

cifar10数据集

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。

在cpu上用resnet训练cifar10数据集，利用tensorflow平台。

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

pytorch-cifar10 使用PyTorch在CIFAR10上的个人实践灵感来自来自 。 介绍 CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 有50000张训练图像和10000张测试图像。 数据集分为五个训练批次和一个测试批次，每个批次具有10000张图像。 测试批次包含每个类别中恰好1000个随机选择的图像。 训练批次按随机顺序包含其余图像，但是某些训练批次可能包含比另一类更多的图像。 在它们之间，培训批次包含每个班级的正好5000张图像。 要求 python3.6 麻木 火炬0.4.0 火炬视觉0.2.0 用法 python3 main.py 可选参数： --lr default=1e-3 learning rate --epoch default=200

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/