使用 keras 做深度学习探索的人群，可以不通过keras 下载数据集（太慢），直接把这些数据集下载下来，放到 .keras/datasets 下，就可以直接调用了

cifar_image_recognition 使用带有pytorch的cifar10的图像识别 快速入门指南 在克隆的存储库中，在终端中运行以下命令： $ conda env创建-f environment.yml $ conda激活cifar_env 如果使用pycharm，请在创建的conda env中将解释器设置为python版本，例如： ... / anaconda3 / envs / sheep_env / bin / python 从environment.yml列表添加或删除依赖项时，请运行： $ conda env更新--file environment.yml 二手货源/依赖 待定 系统依赖关系： 待定 去做： 待定

来自 http://www.cs.toronto.edu/~kriz/cifar.html 方便大家快速下载

cifar-10-matlab.tar.gz为官网下载的cifar-10数据集，共十个分类，60000个图像，图像大小为32x32x3的彩色图像; 2 cifar10sub文件夹是cifar-10数据集的一个子集，共十个分类，7000个图像，数据量相对较小，方便学习使用； 3 下载、解压、读取，另存等方法，看视频66.36

该存储库提供了CliqueNet的pytorch重新实现，原始纸的网站在。 在此实现中，测试是在CIFAR-10数据集上完成的。 与执行纸质声明有几种不同。 我们使用后激活的conv-bn-relu而不是预激活的bn-relu-conv 我们采用注意力转移和压缩的策略，但没有采用集团内的瓶颈 我们为随机翻转提供了一个简单的数据增强选项 要求 我们的代码基于pytorch的最新版本，请访问以安装最新版本。 用法 要在CIFAR-10上训练单簧管，请参考以下命令： python main.py [-h] [-batch_size BATCH_SIZE] [-num_epochs NUM_EPOCHS] [-lr LR] [-clip CLIP] [-disable_cuda] [-augmentation] [-print_f

名字：cifar-10-python.tar.gz 有两个版本 一个cifar-10-python.tar.gz 另一个cifar-10-binary.tar.gz

CIFAR-10 是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，每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

kaggle 官方的数据，数据简介： CIFAR-10数据由10类60,000张32x32彩色图像组成，每类6000张图像。官方数据中有50,000张训练图像和10,000张测试图像。我们保留了原始数据集的训练/测试拆分。提供的文件是： train.7z-包含png格式的测试图像的文件夹 test.7z-包含png格式的测试图像的文件夹 trainLabels.csv-培训标签 为了阻止某些形式的作弊行为（例如手签），我们在测试集中添加了290,000张垃圾图像。这些图像在评分中被忽略。我们还对10,000张官方测试图像进​​行了细微的修改，以防止通过文件哈希查找它们。这些修改不应明显影响评分。您应该预测所有300,000张图像的标签。 数据集中的标签类为： 飞机 汽车 鸟 猫 鹿 狗 青蛙 马 船 卡车 这些类是完全互斥的。汽车和卡车之间没有重叠。“汽车”包括轿车，SUV和类似的东西。“卡车”仅包括大型卡车。都不包括皮卡车。

基于CNTK/C# 实现Cifar的实现，网络模型为ResNet

pytorch 搭建 LeNet 网络对 CIFAR-10 图片分类