غربال کردن 1 متر

• توضیحات :

جاسازی های از پیش آموزش دیده برای جستجوی تقریبی نزدیکترین همسایه با استفاده از فاصله اقلیدسی. این مجموعه داده از دو تقسیم تشکیل شده است:

1. 'پایگاه داده': شامل 1,000,000 نقطه داده است که هر کدام دارای ویژگیهایی است: 'جاسازی' (128 شناور)، 'شاخص' (int64)، 'همسایگان' (فهرست خالی).
2. "تست": شامل 10000 نقطه داده است که هر کدام دارای ویژگی هایی است: "جاسازی" (128 شناور)، "ایندکس" (int64)، "همسایگان" (فهرست "شاخص" و "فاصله" نزدیکترین همسایگان در پایگاه داده. )

• صفحه اصلی : http://corpus-texmex.irisa.fr/

• کد منبع : tfds.datasets.sift1m.Builder

• نسخه ها :

  • 1.0.0 (پیش فرض): انتشار اولیه.

• حجم دانلود : 500.80 MiB

• حجم مجموعه داده : 589.49 MiB

• ذخیره خودکار ( اسناد ): خیر

• تقسیم ها :

تقسیم کنید	نمونه ها
'database'	1,000,000
'test'	10000

• ساختار ویژگی :

FeaturesDict({
    'embedding': Tensor(shape=(128,), dtype=float32),
    'index': Scalar(shape=(), dtype=int64, description=Index within the split.),
    'neighbors': Sequence({
        'distance': Scalar(shape=(), dtype=float32, description=Neighbor distance.),
        'index': Scalar(shape=(), dtype=int64, description=Neighbor index.),
    }),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	توضیحات
	FeaturesDict
تعبیه کردن	تانسور	(128،)	float32
شاخص	اسکالر		int64	شاخص در شکاف.
همسایه ها	دنباله			همسایه های محاسبه شده، که فقط برای تقسیم تست در دسترس است.
همسایگان/فاصله	اسکالر		float32	فاصله همسایه
همسایگان/شاخص	اسکالر		int64	شاخص همسایه.

• کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

@article{jegou2010product,
  title={Product quantization for nearest neighbor search},
  author={Jegou, Herve and Douze, Matthijs and Schmid, Cordelia},
  journal={IEEE transactions on pattern analysis and machine intelligence},
  volume={33},
  number={1},
  pages={117--128},
  year={2010},
  publisher={IEEE}
}