pytorch编写的cifar10数据集分类程序，利用LeNet进行分类

整理好的Cifar10分类数据集png格式，，包含6个文件，train1-5及test，每个train文件里有10000张图片，共50000张，test文件里10000张测试图片

cifar-10数据集，jpg格式，包含50000张训练图片和10000张测试图，图片名包含标签

原始图片 无需转换

CIFAR-10 图片格式数据集，按 10 分类文件夹储存 https://github.com/cyizhuo/CIFAR-10-dataset

cifar10数据集分类神经网络建立训练测试的完整过程，pytorch-neutral network，有完整注释。人工智能 / 机器学习/神经网络。

进阶CNN对cifar10分类；两层卷积，两层池化，两层norm，两层全连接层

这是基于 CIFAR10 数据集的 CNN 在 TensorFlow 上的实现，与 [上一个](http://blog.csdn.net/u010099080/article/details/53906810) 相比增加了 TensorBoard 的实现，可以在浏览器中查看可视化结果。

我调试好的代码，里面包括数据，源代码2份，PPT,只要修改文件读取路径就可以使用。可以配合中国大学MOOC里的《深度学习应用开发-TensorFlow实践》课程学习，数据集官网下载太慢了，我这里下好了的。

环境： tensorflow 2.1 最好用GPU 模型： Resnet：把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。 SENet： 学习每一层的通道之间的关系 Inception: 每一层都用不同的核（1×1，3×3，5×5）来学习.防止因为过小的核或者过大的核而学不到图片的特征。 用Resnet ，SENet， Inceptiont网络训练Cifar10 或者Cifar 100. 训练数据：Cifar10 或者 Cifar 100 训练集上准确率：97.11%左右 验证集上准确率：90.22%左右 测试集上准确率：88.6% 训练时间在GPU上：一小时多 权重大小：21