profundo1b,profundo1b

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

  • Descripción :

Incorporaciones preentrenadas para la búsqueda aproximada del vecino más cercano usando la distancia del coseno. Este conjunto de datos consta de dos divisiones:

  1. 'base de datos': consta de 9,990,000 puntos de datos, cada uno tiene características: 'incrustación' (96 flotantes), 'índice' (int64), 'vecinos' (lista vacía).
  2. 'prueba': consta de 10,000 puntos de datos, cada uno tiene características: 'incrustación' (96 flotantes), 'índice' (int64), 'vecinos' (lista de 'índice' y 'distancia' de los vecinos más cercanos en la base de datos. )
Separar Ejemplos
'database' 9,990,000
'test' 10,000
  • Estructura de características :
FeaturesDict({
    'embedding': Tensor(shape=(96,), dtype=tf.float32),
    'index': Scalar(shape=(), dtype=tf.int64),
    'neighbors': Sequence({
        'distance': Scalar(shape=(), dtype=tf.float32),
        'index': Scalar(shape=(), dtype=tf.int64),
    }),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
incrustación Tensor (96,) tf.float32
índice Escalar tf.int64 Índice dentro de la división.
vecinos Secuencia Los vecinos calculados, que solo están disponibles para la división de prueba.
vecinos/distancia Escalar tf.float32 Distancia vecina.
vecinos/índice Escalar tf.int64 Índice de vecinos.
  • Cita :
@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}
}