дип1б, дип1б

Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

  • Описание :

Предварительно обученные вложения для приблизительного поиска ближайшего соседа с использованием косинусного расстояния. Этот набор данных состоит из двух разбиений:

  1. «база данных»: состоит из 9 990 000 точек данных, каждая из которых имеет функции: «встраивание» (96 чисел с плавающей запятой), «индекс» (int64), «соседи» (пустой список).
  2. «тест»: состоит из 10 000 точек данных, каждая из которых имеет функции: «встраивание» (96 чисел с плавающей запятой), «индекс» (int64), «соседи» (список «индекса» и «расстояния» до ближайших соседей в базе данных. )
Расколоть Примеры
'database' 9 990 000
'test' 10 000
  • Структура функции :
FeaturesDict({
    'embedding': Tensor(shape=(96,), dtype=float32),
    'index': Scalar(shape=(), dtype=int64),
    'neighbors': Sequence({
        'distance': Scalar(shape=(), dtype=float32),
        'index': Scalar(shape=(), dtype=int64),
    }),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
встраивание Тензор (96,) поплавок32
индекс Скаляр int64 Индекс внутри раскола.
соседи Последовательность Вычисленные соседи, которые доступны только для тестового разделения.
соседи/расстояние Скаляр поплавок32 Соседское расстояние.
соседи/индекс Скаляр int64 Индекс соседа.
  • Цитата :
@inproceedings{babenko2016efficient,
  title={Efficient indexing of billion-scale datasets of deep descriptors},
  author={Babenko, Artem and Lempitsky, Victor},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  pages={2055--2063},
  year={2016}
}