Визуализация : Исследуйте в Know Your Data
Описание :
Этот набор данных аналогичен CIFAR-10, за исключением того, что он содержит 100 классов, содержащих по 600 изображений в каждом. В каждом классе есть 500 обучающих изображений и 100 тестовых изображений. 100 классов в CIFAR-100 сгруппированы в 20 суперклассов. Каждое изображение имеет метку «точно» (класс, к которому оно принадлежит) и метку «грубо» (надкласс, к которому оно принадлежит).
Дополнительная документация : изучить документы с кодом
Домашняя страница : https://www.cs.toronto.edu/~kriz/cifar.html
Исходный код :
tfds.image_classification.Cifar100
Версии :
-
3.0.2
(по умолчанию): нет примечаний к выпуску.
-
Размер загрузки :
160.71 MiB
Размер набора данных :
132.03 MiB
.Автоматическое кэширование ( документация ): Да
Сплиты :
Расколоть | Примеры |
---|---|
'test' | 10 000 |
'train' | 50 000 |
- Структура функции :
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),
})
- Документация по функциям :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
грубая_метка | Метка класса | int64 | ||
я бы | Текст | нить | ||
изображение | Изображение | (32, 32, 3) | uint8 | |
этикетка | Метка класса | int64 |
Контролируемые ключи (см . документ
as_supervised
):('image', 'label')
Рисунок ( tfds.show_examples ):
- Примеры ( tfds.as_dataframe ):
- Цитата :
@TECHREPORT{Krizhevsky09learningmultiple,
author = {Alex Krizhevsky},
title = {Learning multiple layers of features from tiny images},
institution = {},
year = {2009}
}
, Визуализация : Исследуйте в Know Your Data
Описание :
Этот набор данных аналогичен CIFAR-10, за исключением того, что он содержит 100 классов, содержащих по 600 изображений в каждом. В каждом классе есть 500 обучающих изображений и 100 тестовых изображений. 100 классов в CIFAR-100 сгруппированы в 20 суперклассов. Каждое изображение имеет метку «точно» (класс, к которому оно принадлежит) и метку «грубо» (надкласс, к которому оно принадлежит).
Дополнительная документация : изучить документы с кодом
Домашняя страница : https://www.cs.toronto.edu/~kriz/cifar.html
Исходный код :
tfds.image_classification.Cifar100
Версии :
-
3.0.2
(по умолчанию): нет примечаний к выпуску.
-
Размер загрузки :
160.71 MiB
Размер набора данных :
132.03 MiB
.Автоматическое кэширование ( документация ): Да
Сплиты :
Расколоть | Примеры |
---|---|
'test' | 10 000 |
'train' | 50 000 |
- Структура функции :
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),
})
- Документация по функциям :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
грубая_метка | Метка класса | int64 | ||
я бы | Текст | нить | ||
изображение | Изображение | (32, 32, 3) | uint8 | |
этикетка | Метка класса | int64 |
Контролируемые ключи (см . документ
as_supervised
):('image', 'label')
Рисунок ( tfds.show_examples ):
- Примеры ( tfds.as_dataframe ):
- Цитата :
@TECHREPORT{Krizhevsky09learningmultiple,
author = {Alex Krizhevsky},
title = {Learning multiple layers of features from tiny images},
institution = {},
year = {2009}
}