cifar100

• การ สร้างภาพ : สำรวจใน Know Your Data north_east

• คำอธิบาย :

ชุดข้อมูลนี้เหมือนกับ CIFAR-10 ยกเว้นจะมี 100 คลาสที่มี 600 ภาพในแต่ละชุด มีภาพการฝึกอบรม 500 ภาพและภาพการทดสอบ 100 ภาพต่อชั้นเรียน 100 คลาสใน CIFAR-100 ถูกจัดกลุ่มเป็น 20 ซูเปอร์คลาส แต่ละภาพมาพร้อมกับป้ายกำกับ "ละเอียด" (คลาสที่ภาพนั้นอยู่) และป้ายกำกับ "หยาบ" (ซูเปอร์คลาสที่ภาพนั้นอยู่)

• เอกสารประกอบเพิ่มเติม : สำรวจเอกสารด้วยรหัส north_east

• หน้าแรก : https://www.cs.toronto.edu/~kriz/cifar.html

• รหัสที่มา : tfds.image_classification.Cifar100

• รุ่น :

  • 3.0.2 (ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น

• ขนาดการดาวน์โหลด : 160.71 MiB

• ขนาดชุดข้อมูล : 132.03 MiB

• แคชอัตโนมัติ ( เอกสาร ): ใช่

• แยก :

• โครงสร้างคุณลักษณะ :

FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})

• เอกสารคุณสมบัติ :

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('image', 'label')

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@TECHREPORT{Krizhevsky09learningmultiple,
    author = {Alex Krizhevsky},
    title = {Learning multiple layers of features from tiny images},
    institution = {},
    year = {2009}
}

• การ สร้างภาพ : สำรวจใน Know Your Data north_east

• คำอธิบาย :

ชุดข้อมูลนี้เหมือนกับ CIFAR-10 ยกเว้นจะมี 100 คลาสที่มี 600 ภาพในแต่ละชุด มีภาพการฝึกอบรม 500 ภาพและภาพการทดสอบ 100 ภาพต่อชั้นเรียน 100 คลาสใน CIFAR-100 ถูกจัดกลุ่มเป็น 20 ซูเปอร์คลาส แต่ละภาพมาพร้อมกับป้ายกำกับ "ละเอียด" (คลาสที่ภาพนั้นอยู่) และป้ายกำกับ "หยาบ" (ซูเปอร์คลาสที่ภาพนั้นอยู่)

• เอกสารประกอบเพิ่มเติม : สำรวจเอกสารด้วยรหัส north_east

• หน้าแรก : https://www.cs.toronto.edu/~kriz/cifar.html

• รหัสที่มา : tfds.image_classification.Cifar100

• รุ่น :

  • 3.0.2 (ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น

• ขนาดการดาวน์โหลด : 160.71 MiB

• ขนาดชุดข้อมูล : 132.03 MiB

• แคชอัตโนมัติ ( เอกสาร ): ใช่

• แยก :

• โครงสร้างคุณลักษณะ :

FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})

• เอกสารคุณสมบัติ :

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('image', 'label')

• รูป ( tfds.show_examples ):

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@TECHREPORT{Krizhevsky09learningmultiple,
    author = {Alex Krizhevsky},
    title = {Learning multiple layers of features from tiny images},
    institution = {},
    year = {2009}
}