Cifar

CIFAR-10 和 CIFAR-100 的 Python 代码资源是搞图像分类比较常用的家伙，图像小、加载快，挺适合新手和做实验的同学用来练手。你用 PyTorch 也好，TensorFlow 也行，加载、预、训练模型、评估效果这几步都有现成的套路，基本不用怎么折腾。 CIFAR-10是 10 类，比如飞机、青蛙、卡车啥的，一共 6 万张小图，32x32像素，看着有点糊但训练快。CIFAR-100就更细，分成 100 类，挑战性高一点，适合想再进阶的你。 加载数据你可以用torchvision.datasets.CIFAR10或tf.keras.datasets.cifar10，接口简单，响

这是一个 EE369 项目，用 Matlab 实现了五种分类器：KNN、线性 SVM、核 SVM、Fisher 线性判别和核 Fisher 判别，用于对 CIFAR-10 和 MNIST 图像数据集进行分类。 文件说明： init.m: 在测试 CIFAR-10 之前必须先运行此文件！它包含 VLFeat 特征提取库的代码。 train.m: 为 CIFAR-10 选择分类器并训练模型。 classify.m: 为 CIFAR-10 选择分类器并进行分类。 localtest.m: CIFAR-10 的主程序，在此运行 CIFAR-10 分类。 localtest2.m: MNIST 的主程

DeepLearing-CIFAR10 Train.m是一个MatLab M文件，用于构建深度学习网络并利用CIFAR10数据库进行训练。在测试阶段，可以直接使用saved.m脚本来读取saves文件夹中的数据并进行网络构建。若要更新网络结构并希望下次直接读取，需将saves文件夹内容复制到saved文件夹，并使用saved.m脚本进行测试。此外，代码中使用了梯度下降函数minFunc以及多种支持函数来处理数据。MatLab生成的HTML代码页面发布页可通过html访问。

我利用自己构建的卷积神经网络成功实现了CIFAR-10数据集的分类任务。