downsampled_imagenet

  • Opis :

Zestaw danych zawierający obrazy w 2 rozdzielczościach (zobacz nazwę konfiguracji, aby uzyskać informacje na temat rozdzielczości). Służy do szacowania gęstości i eksperymentów z modelowaniem generatywnym.

Aby zapoznać się ze zmienionym rozmiarem ImageNet do nadzorowanego uczenia się ( link ), zobacz imagenet_resized .

Podział Przykłady
'train' 1 281 149
'validation' 49 999
  • Struktura funkcji :
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
})
  • Dokumentacja funkcji :
Funkcja Klasa Kształt Typ D Opis
FunkcjeDykt
obraz Obraz (Brak, Brak, 3) uint8
@article{DBLP:journals/corr/OordKK16,
  author    = {A{"{a} }ron van den Oord and
               Nal Kalchbrenner and
               Koray Kavukcuoglu},
  title     = {Pixel Recurrent Neural Networks},
  journal   = {CoRR},
  volume    = {abs/1601.06759},
  year      = {2016},
  url       = {http://arxiv.org/abs/1601.06759},
  archivePrefix = {arXiv},
  eprint    = {1601.06759},
  timestamp = {Mon, 13 Aug 2018 16:46:29 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/OordKK16},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

downsampled_imagenet/32x32 (konfiguracja domyślna)

  • Opis konfiguracji : zestaw danych składający się z obrazów pociągu i walidacji o rozdzielczości 32x32.

  • Rozmiar pobierania : 3.98 GiB

  • Rozmiar zbioru danych : 3.05 GiB

  • Rysunek ( tfds.show_examples ):

Wyobrażanie sobie

downsampled_imagenet/64x64

  • Opis konfiguracji : zestaw danych składający się z obrazów pociągu i walidacji o rozdzielczości 64x64.

  • Rozmiar pobierania : 11.73 GiB

  • Rozmiar zbioru danych : 10.80 GiB

  • Rysunek ( tfds.show_examples ):

Wyobrażanie sobie