downsampled_imagenet

• Descrizione :

Set di dati con immagini di 2 risoluzioni (vedere il nome della configurazione per informazioni sulla risoluzione). Viene utilizzato per la stima della densità e per esperimenti di modellazione generativa.

Per ImageNet ridimensionato per l'apprendimento supervisionato ( collegamento ) vedere imagenet_resized .

• Pagina iniziale : http://image-net.org/small/download.php

• Codice sorgente : tfds.datasets.downsampled_imagenet.Builder

• Versioni :

  • 2.0.0 (impostazione predefinita): nuova API divisa ( https://tensorflow.org/datasets/splits )

• Memorizzazione nella cache automatica ( documentazione ): No

• Divide :

• Struttura delle caratteristiche :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (vedi il documento as_supervised ): None

• Citazione :

@article{DBLP:journals/corr/OordKK16,
  author    = {A{"{a} }ron van den Oord and
               Nal Kalchbrenner and
               Koray Kavukcuoglu},
  title     = {Pixel Recurrent Neural Networks},
  journal   = {CoRR},
  volume    = {abs/1601.06759},
  year      = {2016},
  url       = {http://arxiv.org/abs/1601.06759},
  archivePrefix = {arXiv},
  eprint    = {1601.06759},
  timestamp = {Mon, 13 Aug 2018 16:46:29 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/OordKK16},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

downsampled_imagenet/32x32 (configurazione predefinita)

• Descrizione configurazione : set di dati costituito da immagini di training e convalida con risoluzione 32x32.

• Dimensione download : 3.98 GiB

• Dimensione del set di dati : 3.05 GiB

• Figura ( tfds.show_examples ):

• Esempi ( tfds.as_dataframe ):

downsampled_imagenet/64x64

• Descrizione configurazione : un set di dati costituito da immagini di training e convalida con risoluzione 64x64.

• Dimensione download : 11.73 GiB

• Dimensione del set di dati : 10.80 GiB

• Figura ( tfds.show_examples ):

• Esempi ( tfds.as_dataframe ):