cifar100

  • Description :

Cet ensemble de données est similaire au CIFAR-10, sauf qu'il comporte 100 classes contenant chacune 600 images. Il y a 500 images de formation et 100 images de test par classe. Les 100 classes du CIFAR-100 sont regroupées en 20 superclasses. Chaque image est accompagnée d'une étiquette « fine » (la classe à laquelle elle appartient) et d'une étiquette « grossière » (la superclasse à laquelle elle appartient).

Diviser Exemples
'test' 10 000
'train' 50 000
  • Structure des fonctionnalités :
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),
})
  • Documentation des fonctionnalités :
Fonctionnalité Classe Forme Type D Description
FonctionnalitésDict
étiquette_grossière Étiquette de classe int64
identifiant Texte chaîne
image Image (32, 32, 3) uint8
étiquette Étiquette de classe int64

Visualisation

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