profondo1b, profondo1b

• Descrizione :

Incorporamenti pre-addestrati per la ricerca approssimativa del vicino più vicino utilizzando la distanza del coseno. Questo set di dati è costituito da due suddivisioni:

1. 'database': è composto da 9.990.000 punti dati, ognuno ha caratteristiche: 'incorporamento' (96 float), 'indice' (int64), 'vicini' (lista vuota).
2. 'test': è composto da 10.000 punti dati, ognuno ha caratteristiche: 'incorporamento' (96 float), 'indice' (int64), 'vicini' (elenco di 'indice' e 'distanza' dei vicini più prossimi nel database. )

• Homepage : http://sites.skoltech.ru/compvision/noimi/

• Codice sorgente : tfds.nearest_neighbors.deep1b.Deep1b

• Versioni :

  • 1.0.0 (impostazione predefinita): versione iniziale.

• Dimensioni del download : 3.58 GiB

• Dimensione del set di dati: 4.46 GiB

• Cache automatica ( documentazione ): No

• Divisioni :

Diviso	Esempi
'database'	9.990.000
'test'	10.000

• Struttura delle caratteristiche :

FeaturesDict({
    'embedding': Tensor(shape=(96,), dtype=float32),
    'index': Scalar(shape=(), dtype=int64),
    'neighbors': Sequence({
        'distance': Scalar(shape=(), dtype=float32),
        'index': Scalar(shape=(), dtype=int64),
    }),
})

• Documentazione delle funzionalità :

Caratteristica	Classe	Forma	Tipo D	Descrizione
	CaratteristicheDict
incorporamento	Tensore	(96,)	galleggiante32
indice	Scalare		int64	Indice all'interno della divisione.
vicinato	Sequenza			I vicini calcolati, che è disponibile solo per la suddivisione del test.
vicini/distanza	Scalare		galleggiante32	Distanza del vicino.
vicini/indice	Scalare		int64	Indice di vicinato.

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@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}
}