# Image-classification-CIFAR10-ResNet18
#### Auther: Yuandong Li
#### Date: 2020/11/17
#### Description: The images in the CIFAR10 data set are classified using the ResNet18 residual network with 90% accuracy.
#### 欢迎关注我的CSDN博客—————夏风喃喃
## 一.实验要求:
仿照示例,使用jupyter notebook+pytorch完成一个网络的训练。 要求:
1. 使用任意的网络结构(可以更改网络的层数、卷积尺寸、channel数等等)
2. 使用cifar10数据集
3. 最后的分类精度至少达到0.9
## 二.实验准备:
硬件条件:
独立显卡型号:NVIDIA GeForce 940MX × 1
独立显卡显存:2048 MB
软件条件:
语言环境:Python 3.7.2
实验工具:Jupyter Notebook
深度学习框架库:PyTorch
## 三.实验内容:
数据集: CIFAR10
网络模型: ResNet18(有所修改)
源代码及模型的描述均以注释形式展示
## 四.实验结果:
适用于CIFAR10的ResNet18网络模型结构:
![images1](https://github.com/Li-Y-D/images/blob/main/images/%E6%88%AA%E5%9B%BE1.png)
训练过程,展示训练集和测试集精确度以及训练用时:
![images2](https://github.com/Li-Y-D/images/blob/main/images/%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE%202020-11-18%20093746.jpg)
测试集数据经已训练好的网络模型所得到的预测标签与真实标签的对比:
![images3](https://github.com/Li-Y-D/images/blob/main/images/%E6%88%AA%E5%9B%BE2.png)
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
采用resnet残差网络完成对cifar10数据集的分类任务。数据集分为五个训练批次和一个测试批次,每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。训练批次以随机顺序包含剩余图像,但一些训练批次可能包含来自一个类别的图像比另一个更多。总体来说,五个训练集之和包含来自每个类的正好5000张图像。 图片有十类,分别为['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']。
资源推荐
资源详情
资源评论
收起资源包目录
Image-classification-CIFAR10-ResNet18-main.zip (4个子文件)
Image-classification-CIFAR10-ResNet18-main
图像分类_ResNet18模型_CIFAR10数据集_精度90%.py 24KB
.gitignore 2KB
README.md 1KB
图像分类_ResNet18模型_CIFAR10数据集_精度90%.ipynb 291KB
共 4 条
- 1
资源评论
- weixin_449774532024-03-26发现一个宝藏资源,赶紧冲冲冲!支持大佬~
Phoit
- 粉丝: 0
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功