CIFAR和SVHN在各CNN论文中的结果

Posted liaohuiqiang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了CIFAR和SVHN在各CNN论文中的结果相关的知识,希望对你有一定的参考价值。

CIFAR和SVHN结果

  1. 加粗表示原论文中该网络的最优结果。
  2. 可以看出DenseNet-BC优于ResNeXt优于DenseNet优于WRN优于FractalNet优于ResNetv2优于ResNet。
  3. ResNeXt-29,8x64d表示29层,ResNeXt分支数为8,每个分支的bottleneck宽度为64。
  4. 这里记录的结果是使用了标准数据增强的test error。
  5. 因为有些论文会拿前人工作的次优结果对比,所以这些结果可能会和一些论文的实验数据有所出入。
网络 网络参数 CIFAR10 CIFAR100 SVHN 备注
ResNet-110 1.7M 6.61
ResNet-110 1.7M 6.41 27.22 2.01 黄高复现
ResNet-164 1.7M 25.16 resNetv2提中提到的
ResNetv2-164 1.7M 5.46 24.33
ResNetv2-1001 10.2M 4.69 22.68
FractalNet-20 with drop 38.6M 4.60 1.87
FractalNet-40 22.9M 22.49
WRN-40-4 8.9M 4.53 21.18
WRN-16-8 11.0M 4.27 20.43
WRN-28-10 36.5M 4.00 19.25
WRN-28-10 dropout 36.5M 3.89 18.85
WRN-16-4 dropout 1.64
ResNeXt-29,8x64d 34.4M 3.65 17.77
ResNeXt-29,16x64d 68.1M 3.58 17.31
DenseNet-40(k=12) 1.0M 5.24 24.42 1.79
DenseNet-100(k=12) 7.0M 4.10 20.20 1.67
DenseNet-100(k=24) 27.2M 3.74 19.25 1.59
DenseNet-BC-100(k=12) 0.8M 4.51 22.27 1.76
DenseNet-BC-250(k=24) 15.3M 3.62 17.60 1.74
DenseNet-BC-190(k=40) 25.6M 3.46 17.18

以上是关于CIFAR和SVHN在各CNN论文中的结果的主要内容,如果未能解决你的问题,请参考以下文章

深度学习实战Keras构建CNN神经网络完成CIFAR100类别分类

Keras CIFAR-10分类 自定义simple CNN篇

基于卷积神经网络的CIFAR10图像分类

我使用 CNN 模型创建了 CIFAR10 数据集学习模型。为啥会出现错误?

TensorFlow—CNN—CIFAR数据集分类

Nature | 光学CNN层替换传统CNN层,超省电