本文是论文<YOLOv3: An Incremental Improvement>的阅读笔记，该论文在YOLOv2的基础上提出YOLOv3，做了一些小改动，还提出了新的backbone网络：Darknet-53。YOLOv3的速度很快，而且其AP50精度几乎达到SOTA。
本文是论文<YOLO9000:Better, Faster, Stronger>的阅读笔记，该论文提出了分类模型Darknet-19，基于YOLOv1提出目标检测模型YOLOv2，YOLO9000。YOLOv2比Faster R-CNN、SSD精度差不多，但是速度更快。YOLO9000可以检测超过9000类目标。
本文是论文<Deformable Convolutional Networks>的阅读笔记，该论文提出了可变形卷积(Deformable convolation)和可变形RoI池化这两个模块，借鉴了STN的思路，提高了CNNs建模几何形变的能力。实验展示了可变形卷积提高了目标检测和语义分割的精度，而仅需很小的代价。
本文是论文<Rethinking the Inception Architecture for Computer Vision>阅读笔记，该论文提出了Inception v2和Inception v3，提出了标签平滑(LSR)技术、卷积核的非对称分解、网络的4个通用设计原则等。最后基于Pytorch实现。
本文介绍了pytorch的基本概念，张量、变量、数据集、模组等，实现了CNN模型，并在MNIST数据集上测试。
[论文笔记]本文是ResNet开山论文《Deep Residual Learning for Image Recognition》的阅读笔记，该论文提出了深度残差网络。本文通过理解论文，学习ResNet的原理，并最后通过Keras实现ResNet。
[论文笔记]本文基于论文《Going deeper with convolutions》所做的笔记，该论文提出了Inception v1架构，并在此基础上提出GoogLeNet。本文介绍了其原理，并给出了Keras实现。
[论文笔记]本文是论文《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》阅读笔记，该论文提出了VGG16和VGG19深度卷积神经网络，使用Multi-Scale数据增强方法。本文基于Tensorflow.Slim和Keras数据增强生成器搭建训练模型，并实现Keras微调预训练的VGG16模型。
[论文笔记]读深度学习的开山之作《ImageNet Classification with Deep Convolutional Neural Networks》所作的笔记，总结了论文内容，并基于Keras实现了AlexNet。论文使用了很多trick提高模型效果，包括：ReLU、局部响应归一化(LRN)、重叠池化、数据增强、Dropout等。
本项目是迁移学习的示例，使用预训练的Inception v3模型，使用tensorflow进行宠物的分类。
