颜色分类问题的解决方案在LeetCode中，采用的是经过改良的CRUNet和Residual Attention Network.mxnet模型

颜色分类leetcode 我们计划发布这两个由 MXNet 实现的用于图像分类的修改架构。 修改后的 CRUNet.mxnet 修改后的 CRUNet 的 MXNet 实现。 在这一部分中，我们通过 实现了修改后的 CRU-Net ( CRU-Net 56, 116 ) 架构。 原文描述于金小杰、康炳义、冯嘉世、闫水成等人提出的论文中。 这篇论文被 IJCAI 2018 接受。 原始建筑 这是集体残差单元 (CRU) 构建块的说明。 原始 CRU 网络（CRUNet 56 和 CRUNet 116）基于下表： 我们在原始 CRUNet 56 和 CRUNet 116 的基础上实现了修改后的 CRU 网络。 修改版和原版有什么区别？ 1 . 输入数据的大小是 112x112 而不是 224x224。 为了保持更高的特征图分辨率，我们遵循[2]中的输入设置。 具体来说，第一个7x7内核大小和2步长的卷积层被3x3内核大小和1步长替换。 此外，我们删除了以下具有 3x3 内核大小和 2 步长的最大池化层。 2 . 我们采用[2]中提到的改进的残差单元。 具体来说，改进的残差单元由BN-Con