ลึก 1b

  • คำอธิบาย :

การฝังที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณโดยใช้ระยะทางโคไซน์ ชุดข้อมูลนี้ประกอบด้วยสองส่วน:

  1. 'ฐานข้อมูล': ประกอบด้วยจุดข้อมูล 9,990,000 จุด แต่ละจุดมีคุณสมบัติ: 'การฝัง' (96 โฟลต), 'ดัชนี' (int64), 'เพื่อนบ้าน' (รายการว่าง)
  2. 'ทดสอบ': ประกอบด้วยจุดข้อมูล 10,000 จุด แต่ละจุดมีคุณสมบัติ: 'การฝัง' (96 โฟลต), 'ดัชนี' (int64), 'เพื่อนบ้าน' (รายการ 'ดัชนี' และ 'ระยะทาง' ของเพื่อนบ้านที่ใกล้ที่สุดในฐานข้อมูล )
แยก ตัวอย่าง
'database' 9,990,000
'test' 10,000
  • โครงสร้างคุณสมบัติ :
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.),
    }),
})
  • เอกสารคุณสมบัติ :
คุณสมบัติ ระดับ รูปร่าง ประเภทD คำอธิบาย
คุณสมบัติDict
การฝัง เทนเซอร์ (96,) ลอย32
ดัชนี สเกลาร์ int64 ดัชนีภายในการแบ่ง
เพื่อนบ้าน ลำดับ เพื่อนบ้านที่คำนวณแล้ว ซึ่งมีให้สำหรับการแยกการทดสอบเท่านั้น
เพื่อนบ้าน/ระยะทาง สเกลาร์ ลอย32 ระยะห่างเพื่อนบ้าน.
เพื่อนบ้าน/ดัชนี สเกลาร์ int64 ดัชนีเพื่อนบ้าน
  • การอ้างอิง :
@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}
}