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

Cifar10资料打包 有两种格式 一种是按标签类型分文件夹,文件夹数字编号图片 一种是标签_编号.jpg这样命名 分为train和test两个文件

cifar10分类.py

CIFAR10数据集包含60,000张32x32的彩色图片，10个类别，每个类包含6,000张。其中50,000张图片作为训练集，10000张作为测试集。图11从每个类别中随机抽取了10张图片，展示了所有的类别。

深度学习数据集，包括mnist、fashion_mnist、cifar10和cifar100数据集

7 x 7 conv,stride=2 3 x 3 maxpool,stride=2 3 x 3 resnet_block[ 64 ] x2 identity x 2 3 x 3 resnet_block[ 128 ] x2 identity x 2 3 x 3 resnet_block[ 256 ] x2 identity x 2 3 x 3 resnet_block[ 512 ] x2 identity x 2 avgpool fc ———————————————— 版权声明：本文为CSDN博主「G果」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weixin_42899627/article/details/108542019

cifar数据集,图片大小32*32；总共有十个类,每个类有6000张图

包含8种经典网络在CIFAR10数据上的分类代码，其中包括LeNet,Network_in_Network,Vgg19,ResNet,wide_ResNet,ResNeXt,DenseNet,SENet

cifar10数据集，包括训练集合验证集

cifar-10数据集