PyTorch实现WS-DAN：细粒度图像识别的深度网络

资源摘要信息:"WS-DAN_PyTorch:WS-DAN的PyTorch实现" 知识点: 1. WS-DAN的介绍:WS-DAN是一种用于图像识别的技术，它是“先看好：用于细粒度”一文的PyTorch实现。它的核心部分与正式版本相同，性能几乎达到了官方报告的结果。 2. 环境要求:WS-DAN的PyTorch实现在Ubuntu 16.04操作系统上，需要两块GTX 1080 8G显卡，CUDA版本为8.0。Python版本为3.6.5，PyTorch版本为0.4.1，torchvison版本为0.2.1，这些都是通过Anaconda进行安装。 3. 第三方依赖项:在某些情况下，可能需要通过pip或conda安装某些第三方依赖项。 4. 数据集与结果:该仓库提供了多个数据集的测试结果，包括ACC（此仓库）、ACC提炼（此仓库）和ACC（纸）。测试数据集包括CUB-200-2011、FGVC飞机、斯坦福汽车和斯坦福犬。结果表明，WS-DAN在这些数据集上的表现都非常出色。 5. PyTorch和TensorFlow的对比:虽然WS-DAN的PyTorch实现已经接近官方报告的结果，但是对于使用TensorFlow的用户来说，也存在官方的TensorFlow实现版本。 6. 代码下载:用户可以从该仓库下载WS-DAN的PyTorch实现代码，代码的文件名称为WS_DAN_PyTorch-master。 7. 图像识别和分类:WS-DAN是一种图像识别技术，它可以用于图像识别和分类任务。特别是，它可以用于细粒度图像分类任务。 8. PyTorch CNN和视觉识别:WS-DAN是基于PyTorch的卷积神经网络(CNN)实现的，可以用于图像识别和视觉识别任务。 9. 附件和文章源码:该仓库包含了WS-DAN的PyTorch实现代码，用户可以通过下载仓库来获取源码，了解如何实现和使用WS-DAN。 10. Fine-grained visual categorization:WS-DAN可以用于细粒度视觉分类任务，这是一种需要对图像中的小细节进行识别和分类的任务。