peneira1m

• Descrição :

Embeddings pré-treinados para busca aproximada do vizinho mais próximo usando a distância euclidiana. Este conjunto de dados consiste em duas divisões:

1. 'banco de dados': consiste em 1.000.000 pontos de dados, cada um com recursos: 'embedding' (128 floats), 'index' (int64), 'neighbors' (lista vazia).
2. 'test': consiste em 10.000 pontos de dados, cada um possui recursos: 'embedding' (128 floats), 'index' (int64), 'neighbors' (lista de 'index' e 'distance' dos vizinhos mais próximos no banco de dados. )

• Homepage : http://corpus-texmex.irisa.fr/

• Código -fonte: tfds.datasets.sift1m.Builder

• Versões :

  • 1.0.0 (padrão): versão inicial.

• Tamanho do download : 500.80 MiB

• Tamanho do conjunto de dados : 589.49 MiB

• Armazenado em cache automaticamente ( documentação ): Não

• Divisões :

Dividir	Exemplos
'database'	1.000.000
'test'	10.000

• Estrutura de recursos :

FeaturesDict({
    'embedding': Tensor(shape=(128,), dtype=float32),
    'index': Scalar(shape=(), dtype=int64),
    'neighbors': Sequence({
        'distance': Scalar(shape=(), dtype=float32),
        'index': Scalar(shape=(), dtype=int64),
    }),
})

• Documentação do recurso:

Funcionalidade	Aula	Forma	Tipo D	Descrição
	RecursosDict
incorporação	tensor	(128,)	float32
índice	Escalar		int64	Índice dentro da divisão.
vizinhos	Seqüência			Os vizinhos calculados, que estão disponíveis apenas para a divisão de teste.
vizinhos/distância	Escalar		float32	Distância do vizinho.
vizinhos/índice	Escalar		int64	Índice vizinho.

• Chaves supervisionadas (Consulte as_supervised doc ): None

• Figura ( tfds.show_examples ): Não suportado.

• Exemplos ( tfds.as_dataframe ):

• Citação :

@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}
}