просеять1м

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

  • Описание :

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

  1. «база данных»: состоит из 1 000 000 точек данных, каждая из которых имеет функции: «встраивание» (128 чисел с плавающей запятой), «индекс» (int64), «соседи» (пустой список).
  2. «тест»: состоит из 10 000 точек данных, каждая из которых имеет функции: «встраивание» (128 чисел с плавающей запятой), «индекс» (int64), «соседи» (список «индекса» и «расстояния» до ближайших соседей в базе данных. )
  • Домашняя страница : http://corpus-texmex.irisa.fr/

  • Исходный код : tfds.datasets.sift1m.Builder

  • Версии :

    • 1.0.0 (по умолчанию): Первоначальный выпуск.
  • Размер загрузки : 500.80 MiB

  • Размер набора данных : 589.49 MiB .

  • Автоматическое кэширование ( документация ): Нет

  • Сплиты :

Расколоть Примеры
'database' 1 000 000
'test' 10 000
  • Структура функции :
FeaturesDict({
    'embedding': Tensor(shape=(128,), 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 (128,) поплавок32
показатель 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 :
@article{jegou2010product,
  title={Product quantization for nearest neighbor search},
  author={Jegou, Herve and Douze, Matthijs and Schmid, Cordelia},
  journal={IEEE transactions on pattern analysis and machine intelligence},
  volume={33},
  number={1},
  pages={117--128},
  year={2010},
  publisher={IEEE}
}