ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

kmnist

Kuzushiji-MNIST เป็นการแทนที่แบบดรอปอินสำหรับชุดข้อมูล MNIST (ระดับสีเทา 28x28, 70,000 ภาพ) ในรูปแบบ MNIST ดั้งเดิมและรูปแบบ NumPy เนื่องจาก MNIST จำกัดเราไว้ที่ 10 คลาส เราจึงเลือกอักขระหนึ่งตัวเพื่อแสดงแต่ละแถวของฮิรางานะ 10 แถวเมื่อสร้าง Kuzushiji-MNIST

แยก ตัวอย่าง
'test' 10,000
'train' 60,000
  • คุณสมบัติ:
FeaturesDict({
    'image': Image(shape=(28, 28, 1), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
})

การสร้างภาพ

  • อ้างอิง:
@online{clanuwat2018deep,
  author       = {Tarin Clanuwat and Mikel Bober-Irizar and Asanobu Kitamoto and Alex Lamb and Kazuaki Yamamoto and David Ha},
  title        = {Deep Learning for Classical Japanese Literature},
  date         = {2018-12-03},
  year         = {2018},
  eprintclass  = {cs.CV},
  eprinttype   = {arXiv},
  eprint       = {cs.CV/1812.01718},
}