การ สร้างภาพ : สำรวจใน Know Your Data
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
รหัสที่มา :
tfds.image_classification.Cifar100
รุ่น :
-
3.0.2
(ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น
-
ขนาดการดาวน์โหลด :
160.71 MiB
ขนาดชุดข้อมูล :
132.03 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'test' | 10,000 |
'train' | 50,000 |
- 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 :
ลักษณะเฉพาะ | ระดับ | รูปร่าง | Dประเภท | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
coarse_label | ป้ายกำกับคลาส | int64 | ||
รหัส | ข้อความ | สตริง | ||
ภาพ | ภาพ | (32, 32, 3) | uint8 | |
ฉลาก | ป้ายกำกับคลาส | int64 |
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
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
รหัสที่มา :
tfds.image_classification.Cifar100
รุ่น :
-
3.0.2
(ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น
-
ขนาดการดาวน์โหลด :
160.71 MiB
ขนาดชุดข้อมูล :
132.03 MiB
แคชอัตโนมัติ ( เอกสาร ): ใช่
แยก :
แยก | ตัวอย่าง |
---|---|
'test' | 10,000 |
'train' | 50,000 |
- 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 :
ลักษณะเฉพาะ | ระดับ | รูปร่าง | Dประเภท | คำอธิบาย |
---|---|---|---|---|
คุณสมบัติDict | ||||
coarse_label | ป้ายกำกับคลาส | int64 | ||
รหัส | ข้อความ | สตริง | ||
ภาพ | ภาพ | (32, 32, 3) | uint8 | |
ฉลาก | ป้ายกำกับคลาส | int64 |
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}
}