- Linear SVM + HOG: 49.99%
- Linear SVM: 19.10%
- Kernel SVM + HOG: 62.27%
- Kernel SVM: 54.37%
- Gaussian Naive Bayes + HOG: 42.34%
- Gaussain Naive Bayes: 29.76%
- Original backbone: 56.36%
- 3x3 convolutions: 86.06%
- Better output: 90.67%
- Shortcut: 94.30%
为了直观比较各个方法，直接运行 demo_cnn.ipynb 和 demo_ml.ipynb 来比较深度学习方法和机器学习方法。同时也可以通过命令行输入如下指令来运行程序：
python demo_cnn.py --net=3 --is_Train=1 --dataset_path=[YOUR_PATH] --save_dir='./caches/'
--net={0,1,2,3}分别代表 1x1 卷积、3x3 卷积、优化输出层以及加入 shortcut 后的网络模型。--is_Train={0, 1}为是否要重新训练模型。若为否，则自动在./caches/中找到提前训练好的模型文件。--dataset_path=[YOUR_PATH]为数据集的存储路径。--save_dir：预训练模型储存在./caches/中，分别为net_i.pth，(i=0,1,2,3)。
python demo_ml.py --file_path=[YOUR_PATH]/cifar-10-batches-py --classifier=linear_svm --hog=1 --is_save=1
--file_path=[YOUR_PATH]/cifar-10-batches-py为数据集的下一层路径。--classifier={linear_svm, kernel_svm, gaussian_nb}为本项目所支持的算法。--hog={0, 1}表示是否要使用 hog 特征预处理。--is_save={0, 1}为是否要保存训练好的模型（默认保存在./caches/中）。