- توضیحات :
نسخه ای با برچسب مجدد CIFAR-100 با خطاهای حاشیه نویسی انسانی واقعی. برای هر جفت (تصویر، برچسب) در مجموعه اصلی قطار CIFAR-100، یک برچسب اضافی ارائه میکند که توسط یک حاشیهنویس واقعی انسانی داده میشود.
صفحه اصلی : https://www.cs.toronto.edu/~kriz/cifar.html
نسخه ها :
-
1.0.0
: انتشار اولیه. -
1.0.1
(پیش فرض): مطابقت ثابت بین حاشیه نویسی و تصاویر.
-
حجم دانلود :
160.71 MiB
حجم مجموعه داده :
136.07 MiB
دستورالعملهای دانلود دستی : این مجموعه داده از شما میخواهد که دادههای منبع را به صورت دستی در
download_config.manual_dir
(پیشفرض~/tensorflow_datasets/downloads/manual/
):
«side_info_cifar100N.csv»، «CIFAR-100_human_ordered.npy» و «image_order_c100.npy» را از https://github.com/UCSC-REAL/cifar-10-100n دانلود کنید
سپس «CIFAR-100_human_ordered.npy» را به یک فایل CSV «CIFAR-100_human_annotations.csv» تبدیل کنید. این کار با کد زیر قابل انجام است:
import numpy as np
from tensorflow_datasets.core.utils.lazy_imports_utils import pandas as pd
from tensorflow_datasets.core.utils.lazy_imports_utils import tensorflow as tf
human_labels_np_path = '<local_path>/CIFAR-100_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-100_human_annotations.csv'
with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
human_annotations = np.load(f, allow_pickle=True)
df = pd.DataFrame(human_annotations[()])
with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
df.to_csv(f, index=False)
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),
'noise_label': ClassLabel(shape=(), dtype=int64, num_classes=100),
'worker_id': int64,
'worker_time': float32,
})
- 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 | ||
نویز_برچسب | ClassLabel | int64 | ||
worker_id | تانسور | int64 | ||
worker_time | تانسور | float32 |
کلیدهای نظارت شده (به
as_supervised
doc مراجعه کنید):None
شکل ( tfds.show_examples ):
- مثالها ( tfds.as_dataframe ):
- نقل قول :
@inproceedings{wei2022learning,
title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
Annotations},
author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
Niu and Yang Liu},
booktitle={International Conference on Learning Representations},
year={2022},
url={https://openreview.net/forum?id=TBWA6PLJZQm}
}