গভীর 1 খ

  • বর্ণনা :

কোসাইন দূরত্ব ব্যবহার করে আনুমানিক নিকটতম প্রতিবেশী অনুসন্ধানের জন্য প্রাক-প্রশিক্ষিত এম্বেডিং। এই ডেটাসেট দুটি বিভাজন নিয়ে গঠিত:

  1. 'ডাটাবেস': 9,990,000 ডেটা পয়েন্ট নিয়ে গঠিত, প্রতিটিতে বৈশিষ্ট্য রয়েছে: 'এম্বেডিং' (96 ফ্লোটস), 'সূচক' (int64), 'প্রতিবেশী' (খালি তালিকা)।
  2. 'পরীক্ষা': 10,000 ডেটা পয়েন্ট নিয়ে গঠিত, প্রতিটিতে বৈশিষ্ট্য রয়েছে: 'এম্বেডিং' (96 ফ্লোট), 'সূচী' (int64), 'প্রতিবেশী' ('সূচক' তালিকা এবং ডাটাবেসের নিকটতম প্রতিবেশীদের 'দূরত্ব'। )
বিভক্ত উদাহরণ
'database' 9,990,000
'test' 10,000
  • বৈশিষ্ট্য গঠন :
FeaturesDict({
    'embedding': Tensor(shape=(96,), 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.),
    }),
})
  • বৈশিষ্ট্য ডকুমেন্টেশন :
বৈশিষ্ট্য ক্লাস আকৃতি ডিটাইপ বর্ণনা
ফিচারসডিক্ট
এমবেডিং টেনসর (96,) float32
সূচক স্কেলার int64 বিভাজনের মধ্যে সূচক।
প্রতিবেশী সিকোয়েন্স গণনা করা প্রতিবেশী, যা শুধুমাত্র পরীক্ষা বিভাজনের জন্য উপলব্ধ।
প্রতিবেশী/দূরত্ব স্কেলার float32 প্রতিবেশীর দূরত্ব।
প্রতিবেশী/সূচক স্কেলার int64 প্রতিবেশী সূচক।
  • উদ্ধৃতি :
@inproceedings{babenko2016efficient,
  title={Efficient indexing of billion-scale datasets of deep descriptors},
  author={Babenko, Artem and Lempitsky, Victor},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  pages={2055--2063},
  year={2016}
}