文件中原始代码利用CNN对CIFAR10数据集进行分类，准确度达到0.67，优化代码通过权重正则化、数据增强，增加全连接层等方式进行优化，准确度达到0.85。

cifar-10数据集

CIFAR-100 图片格式数据集，按 100 分类文件夹储存 https://github.com/cyizhuo/CIFAR-100-dataset

tensorflow训练cifar-10数据集的训练源码，有详细的代码解释以及实验结果图。

公开集识别项目 使用PyTorch进行的开放集识别项目。 如有任何问题，请发送电子邮件 注意：由于我的实验性实现（特别是我的方法），需要重新构造。 要求 对于不同的算法和不同的数据集，要求会有所不同。通常，基本和必不可少的要求是： # pytorch 1.4+, torchvision 0.7.0 + pip3 install torch torchvision # sklearn pip3 install -U scikit-learn # numpy pip3 install numpy # scikit-learn-0.23.2 pip3 install -U sklearn 对于OpenMax： pip3 install libmr 对于绘制MNIST： pip3 install imageio pip3 install tqdm 配套 数据集 CIFAR-100（完成）

a_numpy_based_implement_cnn 这是我的博客的代码实现。 训练 测试 其他：卷积层可视化 依赖： Python3.6 numpy;枕头; scipy; matplotlib 简易装置： 间谍 其中训练部分由两个Python文件和一个文件夹组成： data_utils.py cnn.py ./cifar-10-batches-py$ ls batches.meta data_batch_2 data_batch_4 test_batch data_batch_1 data_batch_3 data_batch_5 [注：cifar-10-batches-py文件夹存放的是cifar—10数据集，相应的data_utils.py Python文件是data_utils.py数据集的代码。] 测试部分由两个Python文件和一个文件夹组成： data_

基于神经网络的图像分类，数据资源是基于CIFAR-10，内含训练测试数据（batch），是唐宇迪深度学习入门课程的修改代码，python3版本

PyTorch顾问实例 对CIFAR-10和MNIST的对抗攻击。 这些笔记本使用生成对抗示例，以攻击PyTorch模型。 将来可能会针对更多数据集提供更多方法。

今天小编就为大家分享一篇利用pytorch实现对CIFAR-10数据集的分类，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

用于神经网络训练的cifar-10数据集,国内可能无法颗学上网导致下载不到.