CIFAR10-ResNet18深度学习卷积神经网络框架图形分类识别_cifar-10 迁移学习resnet18 图像分类

程序代码：

https://download.csdn.net/download/do_it_123/88928266

CIFAR10 数据集由加拿大 Canadian Institute For Advanced Research 发布，它包含了飞机、汽车、鸟、猫等共 10 大类物体的彩色图片，每个种类收集了 6000 张32 × 32大小图片，共 6 万张图片。其中 5 万张作为训练数据集， 1 万张作为测试数据集。

CIFAR10 图片识别任务并不简单，这主要是由于 CIFAR10 的图片内容需要大量细节才能呈现， 而保存的图片分辨率仅有32 × 32，使得部分主体信息较为模糊，甚至人眼都很难分辨。 浅层的神经网络表达能力有限，很难训练优化到较好的性能，本节我们将实现 18 层的深度残差网络ResNet18，并在 CIFAR10 图片数据集上训练与测试。 标准的 ResNet18 接受输入为22 × 22 大小的图片数据，我们将 ResNet18 进行适量调整，使得它输入大小为32 × 32，输出维度为 10。调整后的 ResNet18 网络结构如图所示。

基本的设计结构如下:

1. 首先实现中间两个卷积层， Skip Connection 1x1 卷积层残差模块;
2.  在设计深度卷积神经网络时，一般按照特征图高宽ℎ/逐渐减少，通道数逐渐增大的经验法则。可以通过堆叠通道数逐渐增大的 Res Block 来实现高层特征的提取，通过build_resblock 可以一次完成多个残差模块的新建
3. 通过调整每个 Res Block 的堆叠数量和通道数可以产生不同的 ResNet，如通过 64-64-128- 128-256-256-512-512 通道数配置，共 8 个 Res Block，可得到 ResNet18 的网络模型。每个ResBlock 包含了 2 个主要的卷积层，因此卷积层数量是8 ∙ 2 =16，加上网络末尾的全连接层，共 18 层。

ResNet18 的网络参数量共 1100 万个， 经过 50 个 Epoch 后，网络的准确率达到了79.3%。

备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除。

创作不易，相关程序，说明文档需求，如需要，可加作者新联系方式，WX：Q3101759565，QQ：3101759565[多加几次！！！]

 祝您学业有成！工作顺利！ 年薪百万!