用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

AlexNet 特征 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合 第一个卷积层 输入的图片大小为:2242243（或者是2272273） 第一个卷积层为:111196即尺寸为1111,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为 224/4=56,去掉边缘为55,因此其输出的每个feature map 为 555596,同时后面跟LRN层,尺寸不变. 最大池化层,核大小为33

这是pytorch初学者的游乐场，其中包含流行数据集上的预定义模型。 目前我们支持 mnist，svhn cifar10，cifar100 stl10 亚历克斯网 vgg16，vgg16_bn，vgg19，vgg19_bn resnet18，resnet34，resnet50，resnet101，resnet152 squeezenet_v0，squeezenet_v1 inception_v3 这是MNIST数据集的示例。 这将自动下载数据集和预先训练的模型。 import torch from torch.autograd import Variable from utee import selector model_raw, ds_fetcher, is_imagenet = selector.select('mnist') ds_val = ds_fetcher(b

张量流-cnn-finetune 这个仓库是关于使用TensorFlow对一些著名的卷积神经网络进行微调的。 ConvNets： 要求： Python 2.7或3.x Tensorflow 1.x（已通过1.15.1测试） OpenCV2（用于数据扩充） 数据集文件 您需要设置两个数据集文件以进行训练和验证。 格式必须如下所示： /absolute/path/to/image1.jpg class_index /absolute/path/to/image2.jpg class_index ... class_index必须从0开始。 可以在和找到样本数据集文件。 不要忘了通过--num_classes运行时，标志finetune.py脚本。 亚历克斯网 进入alexnet文件夹 cd alexnet 微调 如果您以前没有下载过砝码，请下载。 ./download_we

深度学习TensorFlow2.0 前言 在这个项目中，我将使用谷歌TensorFlow2.0框架逐一重现经典的卷积神经网络：LeNet-5，AlexNet，VGG系列，GooLeNet，ResNet系列，DenseNet系列，以及现在比较流行的：RCNN系列，SSD ，YOLO系列等。 教程目录 图像分类任务1.手写数字识别FirstNet（已​​完成） 2.快速建造卷积网络FastNet（已​​完成） 3. LeNet-5（已完成） 4. AlexNet（已​​完成） 5. VGG系列（已完成） 6. GooLeNet（已​​完成） 7. ResNet系列（已完成） 8. DenseNet系列（已完成） 目标检测任务1. RCNN系列2. SSD 3. YOLO系列 项目环境 Python3 Python3.6和3.7 PyCharm2018和2019 Tensorflow2.0

ImageNet classification with deep convolutional neural networks 中文翻译