Advertisement

关于Kaggle上FashionMNIST数据集的训练网络模型及代码

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目在Kaggle平台上利用FashionMNIST数据集进行深度学习实践，通过设计并训练神经网络模型以实现图像分类任务，并公开源代码供参考与学习。 使用PyTorch实现的CNN模型准确率达到91.5%。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 关于Kaggle上FashionMNIST数据集的训练网络模型及代码
    优质
    本项目在Kaggle平台上利用FashionMNIST数据集进行深度学习实践，通过设计并训练神经网络模型以实现图像分类任务，并公开源代码供参考与学习。 使用PyTorch实现的CNN模型准确率达到91.5%。
     
  • Fashion-MNIST数据集上LeNet模型的训练代码（PyCharm）
    优质
    本项目提供在Fashion-MNIST数据集上使用经典LeNet卷积神经网络进行图像分类任务的Python实现代码，适用于PyCharm等IDE环境。 在 Fashion-MNIST 数据集上训练 LeNet 模型的 Python 代码。
     
  • CIFAR10 - PyTorch - 包含模型源文件、训练和测试代码以及Kaggle上的预训练模型
    优质
    本项目提供了一个基于PyTorch框架的CIFAR-10数据集图像分类解决方案，包含详细的模型源码、训练与测试脚本，并附有在Kaggle平台上的预训练模型以供参考和使用。 cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹： - kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 - model.py: 神经网络模型 - res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com
     
  • 关于在Kaggle上使用深度学习训练代码的集合
    优质
    本资源集为Kaggle用户提供了多种深度学习模型的训练代码，旨在帮助数据科学家和机器学习爱好者参与竞赛时提升预测性能。 文件包含了vgg、resnet、mobilenet、shufflenet、efficientnet、visionTransformer、swinTransformer等7种网络。 只需要在kaggle上新建cell，然后将不同网络的代码复制进去即可（只有一个cell）。 训练的数据需要压缩上传后，直接将代码最后一行的超参数更改为上传的数据路径即可。
     
  • Mask R-CNN在Airbus Kaggle数据集上的训练
    优质
    本研究探讨了使用Mask R-CNN模型在Airbus Kaggle卫星图像数据集上进行目标检测和分割的方法与效果。通过详尽实验优化模型参数，实现对海上物体的精确识别与定位。 Mask R-CNN模型在Kaggle的Airbus Ship Detection数据集上进行训练。
     
  • 关于AlexNet模型及其训练代码
    优质
    简介：本文介绍经典卷积神经网络AlexNet模型，并提供详细的训练代码示例，帮助读者理解和实现该模型。 深度学习入门：使用Pytorch框架搭建Alexnet，在CIFAR10数据集上进行训练，并可以通过tensorboard查看训练过程。论文讲解及代码详解在我的博客中——《论文解读与复现：Alexnet-ImageNet Classification with Deep Convolutional Neural Networks》。
     
  • 关于在CrowdHuman数据集上训练DarkNet YOLOv4模型的教程：Yolov4_Crowdhuman
    优质
    本教程详细介绍如何在CrowdHuman数据集上训练优化后的DarkNet YOLOv4模型，适用于对象检测研究与开发人员。 YOLOv4 CrowdHuman 教程 这是一个演示如何使用和训练YOLOv4人检测器的教程。 目录： 设置：如果您打算在服务器上进行模型训练，您可以跳过本节并直接进入下一部分；否则，在本地运行训练需要一台具备良好GPU性能的x86_64 PC。例如，我主要用台式机来测试此存储库中的代码： - NVIDIA GeForce RTX 2080 Ti - Ubuntu 18.04.5 LTS (x86_64) - CUDA 10.2 - cuDNN 8.0.1 此外，您需要在本地PC上正确安装OpenCV（包括python3的“cv2”模块），因为数据准备代码和“darknet”都需要它。 准备训练数据：对于在本地PC上的训练，我使用了608x608分辨率下的yolov4模型作为示例。请注意，在本教程中只用到了python3（可能不支持python2）。请按照以下步骤来准备训练数据。
     
  • 基于DeepSpeech2在thchs30数据集上的模型训练
    优质
    本研究基于DeepSpeech2框架，在THCHS-30中文语料库上进行语音识别模型的优化与训练，旨在提升中文语音识别的准确率和效率。 PaddlePaddle实现的DeepSpeech2模型用于训练thchs30数据集，并且源码可以在GitHub上找到地址为https://github.com/yeyupiaoling/PaddlePaddle-DeepSpeech。不过，根据要求需要去掉链接，因此只描述使用PaddlePaddle框架实现了DeepSpeech2模型来对thchs30数据集进行训练。
     
  • 基于Pytorch的CIFAR10数据集上训练ResNet18模型
    优质
    本研究利用PyTorch框架，在CIFAR-10数据集上训练并优化了ResNet-18深度残差网络，旨在探索其在图像分类任务中的性能表现。 使用Pytorch和CIFAR10数据集训练ResNet18模型。
     
  • 经过处理的FashionMNIST csv训练集和数据集
    优质
    本数据集为经过预处理的FashionMNIST CSV格式版本，包括训练集与测试集。旨在提供便捷的数据访问方式以支持图像分类任务研究。 处理后的FashionMNIST的csv训练集和数据集已经准备好。