peneirar 1m

  • Descrição :

Incorporações pré-treinadas para pesquisa 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 de pontos de dados, cada um com recursos: 'incorporação' (128 pontos flutuantes), 'índice' (int64), 'vizinhos' (lista vazia).
  2. 'teste': consiste em 10.000 pontos de dados, cada um possui recursos: 'incorporação' (128 flutuantes), 'índice' (int64), 'vizinhos' (lista de 'índice' e 'distância' dos vizinhos mais próximos no banco de dados. )
Dividir Exemplos
'database' 1.000.000
'test' 10.000
  • Estrutura de recursos :
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.),
    }),
})
  • Documentação de recursos :
Recurso Aula Forma Tipo D Descrição
RecursosDict
incorporação Tensor (128,) float32
índice Escalar int64 Índice dentro da divisão.
vizinhos Sequência 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.
  • 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}
}