downsampled_imagenet

• Wizualizacja : Eksploruj w regionie Poznaj swoje dane north_east

• opis :

Zbiór danych z obrazami w 2 rozdzielczościach (zobacz nazwę konfiguracji, aby uzyskać informacje o rozdzielczości). Służy do szacowania gęstości i eksperymentów z modelowaniem generatywnym.

Aby uzyskać informacje o zmienionym rozmiarze ImageNet do nadzorowanego uczenia się ( link ) zobacz imagenet_resized .

• Strona główna : http://image-net.org/small/download.php

• Kod źródłowy : tfds.datasets.downsampled_imagenet.Builder

• Wersje :

  • 2.0.0 (domyślnie): Nowy podzielony interfejs API ( https://tensorflow.org/datasets/splits )

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Cytat :

@article{DBLP:journals/corr/OordKK16,
  author    = {A{"{a} }ron van den Oord and
               Nal Kalchbrenner and
               Koray Kavukcuoglu},
  title     = {Pixel Recurrent Neural Networks},
  journal   = {CoRR},
  volume    = {abs/1601.06759},
  year      = {2016},
  url       = {http://arxiv.org/abs/1601.06759},
  archivePrefix = {arXiv},
  eprint    = {1601.06759},
  timestamp = {Mon, 13 Aug 2018 16:46:29 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/OordKK16},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

downsampled_imagenet/32x32 (domyślna konfiguracja)

• Opis konfiguracji : zestaw danych składający się z obrazów uczenia i sprawdzania poprawności w rozdzielczości 32x32.

• Rozmiar pliku do pobrania : 3.98 GiB

• Rozmiar zestawu danych : 3.05 GiB

• Rysunek ( tfds.show_examples ):

• Przykłady ( tfds.as_dataframe ):

downsampled_imagenet/64x64

• Opis konfiguracji : zestaw danych składający się z obrazów uczenia i sprawdzania poprawności w rozdzielczości 64x64.

• Rozmiar pliku do pobrania : 11.73 GiB

• Rozmiar zestawu danych : 10.80 GiB

• Rysunek ( tfds.show_examples ):

• Przykłady ( tfds.as_dataframe ):