cifar100

  • Opis :

Ten zbiór danych jest taki sam jak CIFAR-10, z tą różnicą, że ma 100 klas zawierających 600 obrazów każda. Na zajęcia przypada 500 obrazów szkoleniowych i 100 obrazów testowych. 100 klas w CIFAR-100 jest pogrupowanych w 20 superklas. Każdy obraz ma etykietę „fine” (klasa, do której należy) i „grubą” (nadklasa, do której należy).

Podział Przykłady
'test' 10 000
'train' 50 000
  • Struktura funkcji :
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),
})
  • Dokumentacja funkcji :
Funkcja Klasa Kształt Typ D Opis
FunkcjeDykt
gruba_etykieta Etykieta klasy int64
ID Tekst strunowy
obraz Obraz (32, 32, 3) uint8
etykieta Etykieta klasy int64

Wyobrażanie sobie

  • Cytat :
@TECHREPORT{Krizhevsky09learningmultiple,
    author = {Alex Krizhevsky},
    title = {Learning multiple layers of features from tiny images},
    institution = {},
    year = {2009}
}