CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 该压缩文件中已经将数据集进行随机混乱排布操作，分散在六个子文件夹中，其中五个作为训练集，一个作为测试集； 另外包括其制作而成的tfrecord文件，具体使用方法可参见博客； 用于训练vgg、resnet等网络

CIFAR_MLP_Pytorch_Lightning 使用Pytorch照明库对多层感知器（MLP）神经网络进行了训练。 CIFAR数据集用于对神经网络进行分类。 进行不同的实验并观察结果。 实验类型和网络验证准确性如下： 版本1：B_SIze：32 H_Layers：1 H神经元：512 Optim：SGD Sigmoid Val_Acc：0.4706 版本2：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD Sigmoid Val_Acc：0.4626 版本3：B_SIze：32 H_Layers：1 H神经元：1512优化：SGD RELU Val_Acc：0.5089 版本4：B_SIze：32 H_Layers：1 H神经元：1512优化：ADAM RELU Val_Acc：0.5114 版本5：B_SIze：32 H_Layers：1 H

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

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

模仿CIFAR数据集格式制作自己的数据集

cifar数据集,图片大小32*32；总共有十个类,每个类有6000张图

简单的Cifar10数据集 pytorch 框架训练代码 使用简单的ResNet-18 进行训练 代码附有详细注释，一看就懂 修改代码，补充上自己的CiFar10数据集位置，就可以直接运行

模仿CIFAR数据集格式制作自己的数据集代码（修改版）

这份资源内含CIFAR数据集，MNIST手写数据集和KNN（机器学习）算法的MATLAB代码对这两个数据集进行训练，希望对大家有所帮助(由于文件太大，只能截取CIFAR的部分数据

识别CIFAR数据集中的10类物体 一、 实验目标 熟悉使用深度学习工具tensorflow，基于该平台对Cifar-10 中的图像数据进行分类识别，在这个过程中掌握卷积神经网络的基本思想。