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

Transfer_Learning_ResNet50 在此存储库中，我们将执行转移学习，以在Keras中的ResNet50模型上训练CIFAR-10数据集。

卷积神经网络CNN识别图像集Cifar10，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手

模仿CIFAR数据集格式制作自己的数据集

PyTorch图像分类 以下论文是使用PyTorch实现的。 ResNet（ ） ResNet- （ ） 警告（ ） DenseNet（ ， ） 金字塔网（ ） ResNeXt（ ） 摇一摇（ ） LARS（ ， ） 抠图（ ） 随机擦除（ ） SENet（ ） 混合（ ） 双切口（ 1802.07426 ） RICAP （ 1811.09030 ） CutMix（ 1905.04899 ） 要求 Ubuntu（仅在Ubuntu上进行过测试，因此可能无法在Windows上运行。） Python> = 3.7 PyTorch> = 1.4.0 火炬视觉 NVIDIA Apex pip install -r requirements.txt 用法 python train.py --config configs/cifar/

CIFAR_10-with-pytorch 一个Pytorch练习，实现CIFAR-10数据集的图像分类

PyTorch图片分类：CIFAR-10 目录 1.注意 基于PyTorch的CIFAR-10图像分类。 CNN模型是ResNet-18。 该存储库受PyTorch模板项目[1]和带有PyTorch的Train CIFAR10 [2]的启发。 但是，该存储库已与PyTorch模板项目分离，以便集中精力快速研究和开发高级功能，而无需考虑向后兼容性。 特别是，与PyTorch模板项目不同，您可以使用dataloader /轻松处理自己的数据集。 我建议您应忽略带有八字体＃的注释说明。 修改日期：2021年3月31日。 2.总结开发环境 操作系统（OS）：Ubuntu MATE 18.04.3 LTS（Bionic） 图形处理单元（GPU）：NVIDIA TITAN Xp，1ea GPU驱动程序：Nvidia-450.102.04 CUDA工具包：CUDA 10.2 cuDNN

半监督学习 楷模 梯形图网络（带有自动编码器） 临时集合（与CNN） 锐化的临时合奏（带有CNN）（基于临时合奏） 卑鄙的老师（与CNN） MixMatch（带有CNN） 结果 在results.xlsx查看results.xlsx

使用Pytorch实现NIN 本文在网络中非官方实施 0.开发环境 Docker Image - tensorflow/tensorflow:tensorflow:2.4.0-gpu-jupyter Library - Pytorch : Stable (1.7.1) - Linux - Python - CUDA (11.0) 使用单GPU 1.实施细节 model.py：NIN模型 train.py：火车NIN utils.py：计算正确的预测 best.pt：最好的NIN权重文件而不会丢失 NIN-Cifar 10.ipynb：安装库，下载数据集，预处理，训练和结果 可视化-Feature Map.ipynb：可视化完整激活的特征图，前10％的激活 细节 辍学的NIN很难训练并且获得与论文相同的分数 遵循官方法规的详细信息：批次大小128，动量0.9，重量衰减0.00001 没

CIFAR-100-图像分类器