Visualisasi : Jelajahi di Kenali Data Anda
Deskripsi :
Dataset ini mirip dengan CIFAR-10, kecuali memiliki 100 kelas yang masing-masing berisi 600 gambar. Ada 500 gambar pelatihan dan 100 gambar pengujian per kelas. 100 kelas dalam CIFAR-100 dikelompokkan menjadi 20 kelas super. Setiap gambar dilengkapi dengan label "halus" (kelas tempatnya) dan label "kasar" (kelas super tempatnya).
Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode
Kode sumber :
tfds.image_classification.Cifar100
Versi :
-
3.0.2
(default): Tidak ada catatan rilis.
-
Ukuran unduhan :
160.71 MiB
Ukuran dataset :
132.03 MiB
Di-cache otomatis ( dokumentasi ): Ya
Perpecahan :
Membelah | Contoh |
---|---|
'test' | 10.000 |
'train' | 50.000 |
- Struktur fitur :
FeaturesDict({
'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
'id': Text(shape=(), dtype=string),
'image': Image(shape=(32, 32, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})
- Dokumentasi fitur :
Fitur | Kelas | Membentuk | Dtype | Keterangan |
---|---|---|---|---|
fiturDict | ||||
label_kasar | LabelKelas | int64 | ||
Indo | Teks | rangkaian | ||
gambar | Gambar | (32, 32, 3) | uint8 | |
label | LabelKelas | int64 |
Kunci yang diawasi (Lihat
as_supervised
doc ):('image', 'label')
Gambar ( tfds.show_examples ):
- Contoh ( tfds.as_dataframe ):
- Kutipan :
@TECHREPORT{Krizhevsky09learningmultiple,
author = {Alex Krizhevsky},
title = {Learning multiple layers of features from tiny images},
institution = {},
year = {2009}
}
, Visualisasi : Jelajahi di Kenali Data Anda
Deskripsi :
Dataset ini mirip dengan CIFAR-10, kecuali memiliki 100 kelas yang masing-masing berisi 600 gambar. Ada 500 gambar pelatihan dan 100 gambar pengujian per kelas. 100 kelas dalam CIFAR-100 dikelompokkan menjadi 20 kelas super. Setiap gambar dilengkapi dengan label "halus" (kelas tempatnya) dan label "kasar" (kelas super tempatnya).
Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode
Kode sumber :
tfds.image_classification.Cifar100
Versi :
-
3.0.2
(default): Tidak ada catatan rilis.
-
Ukuran unduhan :
160.71 MiB
Ukuran dataset :
132.03 MiB
Di-cache otomatis ( dokumentasi ): Ya
Perpecahan :
Membelah | Contoh |
---|---|
'test' | 10.000 |
'train' | 50.000 |
- Struktur fitur :
FeaturesDict({
'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
'id': Text(shape=(), dtype=string),
'image': Image(shape=(32, 32, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
})
- Dokumentasi fitur :
Fitur | Kelas | Membentuk | Dtype | Keterangan |
---|---|---|---|---|
fiturDict | ||||
label_kasar | LabelKelas | int64 | ||
Indo | Teks | rangkaian | ||
gambar | Gambar | (32, 32, 3) | uint8 | |
label | LabelKelas | int64 |
Kunci yang diawasi (Lihat
as_supervised
doc ):('image', 'label')
Gambar ( tfds.show_examples ):
- Contoh ( tfds.as_dataframe ):
- Kutipan :
@TECHREPORT{Krizhevsky09learningmultiple,
author = {Alex Krizhevsky},
title = {Learning multiple layers of features from tiny images},
institution = {},
year = {2009}
}