唐宇迪机器学习课程-手写神经网络分类cifar集-改为python3,里面自带cifar集

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

resnet152在cifar100数据集上训练的权重，从channel distillation 官方github处下载作为teacher net使用

构建对CIFAR-100数据集中的图像进行分类的CNN CIFAR-100 数据集与 CIFAR-10 类，但是它包含了 100 个分类，每个分类 600 张图片，其中 500 张用于训练，100 张用于测试。CIFAR-100 中的100 个分类被群组成了 20 个超类。每张图片都有一个“细粒度”的标签，即表示它属于哪个类，以及一个“粗粒度”标签，即表示它属于哪个超类。 下面是 CIFAR-100 中的各个分类:

cifar-10数据集（jpg图片，已经安装名字分好类），拿到解压马上可以使用，无需再转换成图片再分类

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。

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。 与 MNIST 数据集中目比， CIFAR-10 具有以下不同点： • CIFAR-10 是 3 通道的彩色 RGB 图像，而 MNIST 是灰度图像。 • CIFAR-10 的图片尺寸为 32×32， 而 MNIST 的图片尺寸为 28×28，比 MNIST 稍大。 • 相比于手写字符， CIFAR-10 含有的是现实世界中真实的物体，不仅噪声很大，而且物体的比例、 特征都不尽相同，这为识别带来很大困难。 直接的线性模型如 Softmax 在 CIFAR-10 上表现得很差。

CIFAR-10 的图像分类工作 有些模板代码已经提供给你，但还需要实现更多的功能来完成这个项目,也提供答案

深度学习--Pytorch构建栈式自编码器实现以图搜图任务（保存了模型） 包括欠完备自编码器与两种栈式自编码器的编写，同时可以参考我的博客进行阅读，包括了不同代码实现效果

LetNet是卷积神经网络的祖师爷LeCun在1998年提出， 用于解决手写体识别的视觉任务， 我们用CIFAR-10数据集，验证LeNet模型的准确率， 希望能够帮助大家更好的理解LeNet的模型，以及网络训练的整个流程，谢谢大家指正。