用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像：飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船，卡车： 1.准备数据 我们需要将输入标准化，例如：$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评估模型 在测试集上评估模型。 打印混淆矩阵。 在混淆矩阵中，单元格的颜色越亮表示该单元格中的值越高。 理想情况下，矩阵的对角线应为高值，以指示模型正确预测了真实标签。 5.可视化类激活图 以下代码将打印正在考虑的图像，它是对应的激活图，以及覆盖在图像上的激活图。 这有助于我们找出有助于网络进行预测/

【Keras-DenseNet】CIFAR-10-附件资源

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

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

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。

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。

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。

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_