cifar100_n

Peringatan: Diperlukan unduhan manual. Lihat petunjuk di bawah ini.

• Deskripsi :

Versi CIFAR-100 yang diberi label ulang dengan kesalahan anotasi manusia nyata. Untuk setiap pasangan (gambar, label) dalam rangkaian kereta CIFAR-100 asli, ini memberikan label tambahan yang diberikan oleh anotator manusia asli.

• Beranda : https://www.cs.toronto.edu/~kriz/cifar.html

• Kode sumber : tfds.image_classification.cifar100_n.Cifar100N

• Versi :

  • 1.0.0 : Rilis awal.
  • 1.0.1 (default): Memperbaiki korespondensi antara anotasi dan gambar.

• Ukuran unduhan : 160.71 MiB

• Ukuran dataset : 136.07 MiB

• Instruksi pengunduhan manual : Kumpulan data ini mengharuskan Anda mengunduh data sumber secara manual ke download_config.manual_dir (default ke ~/tensorflow_datasets/downloads/manual/ ):
  Unduh 'side_info_cifar100N.csv', 'CIFAR-100_human_ordered.npy' dan 'image_order_c100.npy' dari https://github.com/UCSC-REAL/cifar-10-100n

Kemudian ubah 'CIFAR-100_human_ordered.npy' menjadi file CSV 'CIFAR-100_human_annotations.csv'. Ini dapat dilakukan dengan kode berikut:

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)

• 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),
    'noise_label': ClassLabel(shape=(), dtype=int64, num_classes=100),
    'worker_id': int64,
    'worker_time': float32,
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Dtype	Keterangan
	fiturDict
label_kasar	LabelKelas		int64
Indo	Teks		rangkaian
gambar	Gambar	(32, 32, 3)	uint8
label	LabelKelas		int64
noise_label	LabelKelas		int64
pekerja_id	Tensor		int64
waktu_pekerja	Tensor		float32

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ):

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@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}
}