CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的大小是 32×32 ，共有数据集中 50000 张训练监片和 10000 测试图片。 CIFAR-10 如图所示。 与 MNIST 数据集中目比， CIFAR-10 有以下差异： ? CIFAR-10 是 3 通道的彩色 RGB 图像，而 MNIST 是灰度图像。 ? CIFAR-10 图片尺寸为 32×32， 而 MNIST 图片尺寸为 28×28，比 MNIST 稍大。 ? 与手写字符相比， CIFAR-10 它含有现实世界中真实的物体，不仅噪音很大，而且物体的比例， 特征不同，给识别带来很大困难。 直线模型如 Softmax 在 CIFAR-10 表现不佳。 下图列举了10个类别，每个类别展示了10张随机图片： 
6万张32的数据集*由32个彩色图组成，共有10个类别。每个类别有6000张图。有5万张训练图和1万张测试图。 数据集分为5个训练块和1个测试块，每个块万张图。 测试块包含1000张从每个类别中随机选择的图片。训练块包含剩余的随机图像，但有些训练块可能比其他类别包含更多的类别， 训练块包含各类5000张图片。 这些类别是完全相互排斥的，图片不会出现在其他类别中。 数据集版本 作者提供了三个版本的数据集：python version; Matlab version; binary versio
基于深度残差学习的图像识别 何开明、张翔宇、任绍庆、孙健 更深层次的神经网络更难训练。为了简化网络训练，我们提出了一个残差学习框架，比以前使用的网络要深入得多。我们重新定义为参考层输入的学习剩余函数，而不是学习未引用的函数。我们提供了全面的经验证据，表明这些剩余网络更容易优化，精度可以从显著增加的深度中获得。在ImageNet数据集上，我们评估了深度高达152层的剩余网络——比VGG网络深度是8倍，但复杂性仍然较低。这些残网集合在这些残网中ImageNet测试集上的误差为3.57%。结果得到了ilsvrc 2015年分类任务第一。我们还对100层和1000层CIFAR-10分析。 表征深度对许多视觉识别任务至关重要。仅仅因为我们的深刻表达，我们就在COCO对象检测数据集相对改进了28%。