基于行锚框和全局信息的深度学习车道线检测方法模型（CULane数据集，50个epoch）

简述VGG模型，说明其中的结构（描述模型的结构，哪一层是卷积、那一层是池化、那一层是全连接？），并使用VGG模型完成下面图像分类的实验(建议使用Python语言,Pytorch 框架)。图像分类数据集：CIFAR-10，由10个类的60000个32x32彩色图像组成，每个类有6000个图像；有50000个训练样本（训练集）和10000个测试样本（测试集） 分别使用数据集中训练集的1%、10%、50%、80%样本进行训练模型，使用测试样本进行测试，简述步骤并对比使用不同比例的训练样本对于训练结果的影响（即模型训练完成后，使用测试样本输入模型得到的准确率）。随着数据量的增大，观察每一次模型迭代（模型每完成一次迭代，即所有训练样本输入到模型中进行训练更新）所需的计算时间、内存消耗变化，并做比较。分析试验结果，回答下面问题： A． 说明你实验的硬件环境 B． 说明自己程序中使用的是哪种梯度下降算法（随机、批量、全部）？ C． 训练过程中你调整了哪些参数，谈谈你的调参过程和调参技巧 D． 当数据量逐渐变大时，你的训练测试过程有没遇到实质性困难？

tensorflow模型

深度模型推理加速的方法与实践，共2篇。

该项目中实现的LeNet-5模型具有3个卷积层和2个全连接层。 它具有62,000个训练参数，图像输入大小为32 * 32。 经过训练，该模型在MNIST测试装置上达到了98.48％的精度。 MNIST是手写数字的数据集，具有70,000个居中固定大小的灰度图像。 有关数据集的更多详细信息，请参见： http://yann.lecun.com/exdb/mnist 运行GUI并选择您的图像。

ONNX Model Zoo是ONNX格式的预训练，最先进的深度模型集合