Визуализация : Исследуйте в Know Your Data
Описание :
Набор данных с изображениями 2-х разрешений (информацию о разрешении см. в названии конфига). Он используется для оценки плотности и экспериментов по генеративному моделированию.
Информацию об измененном размере ImageNet для контролируемого обучения ( ссылка ) см. в разделе imagenet_resized
.
Домашняя страница : http://image-net.org/small/download.php
Исходный код :
tfds.datasets.downsampled_imagenet.Builder
Версии :
-
2.0.0
(по умолчанию): новый раздельный API ( https://tensorflow.org/datasets/splits )
-
Автоматическое кэширование ( документация ): Нет
Сплиты :
Расколоть | Примеры |
---|---|
'train' | 1 281 149 |
'validation' | 49 999 |
- Структура функции :
FeaturesDict({
'image': Image(shape=(None, None, 3), dtype=uint8),
})
- Документация по функциям :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
изображение | Изображение | (Нет, Нет, 3) | uint8 |
Ключи под наблюдением (см . документ
as_supervised
):None
Цитата :
@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 (конфигурация по умолчанию)
Описание конфигурации : набор данных, состоящий из изображений Train и Validation с разрешением 32x32.
Размер загрузки :
3.98 GiB
Размер набора данных :
3.05 GiB
Рисунок ( tfds.show_examples ):
- Примеры ( tfds.as_dataframe ):
downsampled_imagenet/64x64
Описание конфигурации : набор данных, состоящий из образов Train и Validation с разрешением 64x64.
Размер загрузки :
11.73 GiB
Размер набора данных :
10.80 GiB
Рисунок ( tfds.show_examples ):
- Примеры ( tfds.as_dataframe ):