- Описание :
Предварительно обученные вложения для приблизительного поиска ближайшего соседа с использованием косинусного расстояния. Этот набор данных состоит из двух разбиений:
- «база данных»: состоит из 9 990 000 точек данных, каждая из которых имеет функции: «встраивание» (96 чисел с плавающей запятой), «индекс» (int64), «соседи» (пустой список).
- «тест»: состоит из 10 000 точек данных, каждая из которых имеет функции: «встраивание» (96 чисел с плавающей запятой), «индекс» (int64), «соседи» (список «индекса» и «расстояния» до ближайших соседей в базе данных. )
Домашняя страница : http://sites.skoltech.ru/compvision/noimi/
Исходный код :
tfds.nearest_neighbors.deep1b.Deep1b
Версии :
-
1.0.0
(по умолчанию): Первоначальный выпуск.
-
Размер загрузки :
3.58 GiB
Размер набора данных :
4.46 GiB
Автоматическое кэширование ( документация ): Нет
Сплиты :
Расколоть | Примеры |
---|---|
'database' | 9 990 000 |
'test' | 10 000 |
- Структура функции :
FeaturesDict({
'embedding': Tensor(shape=(96,), dtype=float32),
'index': Scalar(shape=(), dtype=int64),
'neighbors': Sequence({
'distance': Scalar(shape=(), dtype=float32),
'index': Scalar(shape=(), dtype=int64),
}),
})
- Документация по функциям :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
встраивание | Тензор | (96,) | поплавок32 | |
индекс | Скаляр | int64 | Индекс внутри раскола. | |
соседи | Последовательность | Вычисленные соседи, которые доступны только для тестового разделения. | ||
соседи/расстояние | Скаляр | поплавок32 | Соседское расстояние. | |
соседи/индекс | Скаляр | int64 | Индекс соседа. |
Ключи под наблюдением (см . документ
as_supervised
):None
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ):
- Цитата :
@inproceedings{babenko2016efficient,
title={Efficient indexing of billion-scale datasets of deep descriptors},
author={Babenko, Artem and Lempitsky, Victor},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
pages={2055--2063},
year={2016}
}