cifar100

• تجسم : در Know Your Data north_east کنید

• توضیحات :

این مجموعه داده دقیقاً مانند CIFAR-10 است، با این تفاوت که دارای 100 کلاس است که هر کدام شامل 600 تصویر است. 500 تصویر آموزشی و 100 تصویر تست در هر کلاس وجود دارد. 100 کلاس در CIFAR-100 در 20 سوپر کلاس گروه بندی می شوند. هر تصویر با یک برچسب "خوب" (کلاسی که به آن تعلق دارد) و یک برچسب "درشت" (سوپر کلاسی که به آن تعلق دارد) ارائه می شود.

• اسناد اضافی : کاوش در کاغذها با کد north_east

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

• کد منبع : tfds.image_classification.Cifar100

• نسخه ها :

  • 3.0.2 (پیش فرض): بدون یادداشت انتشار.

• حجم دانلود : 160.71 MiB

• حجم مجموعه داده : 132.03 MiB

• ذخیره خودکار ( اسناد ): بله

• تقسیم ها :

• ساختار ویژگی :

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),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (مشاهده as_supervised doc ): ('image', 'label')

• شکل ( tfds.show_examples ):

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

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

• تجسم : در Know Your Data north_east کنید

• توضیحات :

این مجموعه داده دقیقاً مانند CIFAR-10 است، با این تفاوت که دارای 100 کلاس است که هر کدام شامل 600 تصویر است. 500 تصویر آموزشی و 100 تصویر تست در هر کلاس وجود دارد. 100 کلاس در CIFAR-100 در 20 سوپر کلاس گروه بندی می شوند. هر تصویر با یک برچسب "خوب" (کلاسی که به آن تعلق دارد) و یک برچسب "درشت" (سوپر کلاسی که به آن تعلق دارد) ارائه می شود.

• اسناد اضافی : کاوش در کاغذها با کد north_east

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

• کد منبع : tfds.image_classification.Cifar100

• نسخه ها :

  • 3.0.2 (پیش فرض): بدون یادداشت انتشار.

• حجم دانلود : 160.71 MiB

• حجم مجموعه داده : 132.03 MiB

• ذخیره خودکار ( اسناد ): بله

• تقسیم ها :

• ساختار ویژگی :

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),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (مشاهده as_supervised doc ): ('image', 'label')

• شکل ( tfds.show_examples ):

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

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