cifar10_n

• Açıklama :

CIFAR-10'un gerçek insan açıklama hatalarıyla yeniden etiketlenmiş bir versiyonu. Orijinal CIFAR-10 tren setindeki her çift (resim, etiket) için, gerçek insan notlayıcılar tarafından verilen birkaç ek etiket sağlar.

• Anasayfa : https://ucsc-real.soe.ucsc.edu:1995/Home.html/

• Kaynak kodu : tfds.image_classification.cifar10_n.Cifar10N

• sürümler :

  • 1.0.0 : İlk sürüm.
  • 1.0.1 : worse_label anahtarındaki yazım hatası düzeltildi.
  • 1.0.2 : Ek açıklamalar ve resimler arasındaki yazışmalar düzeltildi.
  • 1.0.3 : MANUAL_DIR içindeki dosyalar düzeltildi.
  • 1.0.4 (varsayılan): Yan bilgilerin yüklenmesi düzeltildi.

• İndirme boyutu : 162.17 MiB

• Veri kümesi boyutu : 147.91 MiB

• Manuel indirme talimatları : Bu veri kümesi, kaynak verileri manuel olarak download_config.manual_dir içine download_config.manual_dir gerektirir (varsayılan olarak ~/tensorflow_datasets/downloads/manual/ ):
  https://github.com/UCSC-REAL/cifar-10-100n adresinden 'side_info_cifar10N.csv', 'CIFAR-10_human_ordered.npy' ve 'image_order_c10.npy' dosyalarını indirin

Ardından 'CIFAR-10_human_ordered.npy' dosyasını 'CIFAR-10_human_annotations.csv' CSV dosyasına dönüştürün. Bu, aşağıdaki kodla yapılabilir:

import numpy as np
from tensorflow_datasets.core.utils.lazy_imports_utils import pandas as pd
from tensorflow_datasets.core.utils.lazy_imports_utils import tensorflow as tf

human_labels_np_path = '<local_path>/CIFAR-10_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-10_human_annotations.csv'

with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
  human_annotations = np.load(f, allow_pickle=True)

df = pd.DataFrame(human_annotations[()])

with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
  df.to_csv(f, index=False)

• Otomatik önbelleğe alınmış ( belgeleme ): Evet

• bölmeler :

• Özellik yapısı :

FeaturesDict({
    'aggre_label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label1': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label2': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'random_label3': ClassLabel(shape=(), dtype=int64, num_classes=10),
    'worker1_id': int64,
    'worker1_time': float32,
    'worker2_id': int64,
    'worker2_time': float32,
    'worker3_id': int64,
    'worker3_time': float32,
    'worse_label': ClassLabel(shape=(), dtype=int64, num_classes=10),
})

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): None

• Şekil ( tfds.show_examples ):

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@inproceedings{wei2022learning,
  title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
  Annotations},
  author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
  Niu and Yang Liu},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=TBWA6PLJZQm}
}