- شرح :
این مجموعه داده دقیقاً مانند CIFAR-10 است، با این تفاوت که دارای 100 کلاس است که هر کدام شامل 600 تصویر است. 500 تصویر آموزشی و 100 تصویر تست در هر کلاس وجود دارد. 100 کلاس در CIFAR-100 در 20 سوپر کلاس گروه بندی می شوند. هر تصویر با یک برچسب "خوب" (کلاسی که به آن تعلق دارد) و یک برچسب "درشت" (سوپر کلاسی که به آن تعلق دارد) ارائه می شود.
اسناد اضافی : کاوش در کاغذها با کد
صفحه اصلی : https://www.cs.toronto.edu/~kriz/cifar.html
کد منبع :
tfds.image_classification.Cifar100
نسخه ها :
-
3.0.2
(پیش فرض): بدون یادداشت انتشار.
-
حجم دانلود :
160.71 MiB
حجم مجموعه داده :
132.03 MiB
ذخیره خودکار ( اسناد ): بله
تقسیم ها :
شکاف | مثال ها |
---|---|
'test' | 10000 |
'train' | 50000 |
- ساختار ویژگی :
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),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | شرح |
---|---|---|---|---|
FeaturesDict | ||||
برچسب_درشت | ClassLabel | int64 | ||
شناسه | متن | رشته | ||
تصویر | تصویر | (32، 32، 3) | uint8 | |
برچسب | ClassLabel | int64 |
کلیدهای نظارت شده (مشاهده
as_supervised
doc ):('image', 'label')
شکل ( tfds.show_examples ):
- مثالها ( tfds.as_dataframe ):
- نقل قول :
@TECHREPORT{Krizhevsky09learningmultiple,
author = {Alex Krizhevsky},
title = {Learning multiple layers of features from tiny images},
institution = {},
year = {2009}
}