downsampled_imagenet

• Description :

Ensemble de données avec des images de 2 résolutions (voir le nom de la configuration pour plus d'informations sur la résolution). Il est utilisé pour l’estimation de la densité et les expériences de modélisation générative.

Pour ImageNet redimensionné pour l'apprentissage supervisé ( lien ) voir imagenet_resized .

• Page d'accueil : http://image-net.org/small/download.php

• Code source : tfds.datasets.downsampled_imagenet.Builder

• Versions :

  • 2.0.0 (par défaut) : nouvelle API fractionnée ( https://tensorflow.org/datasets/splits )

• Mise en cache automatique ( documentation ) : Non

• Divisions :

• Structure des fonctionnalités :

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

• Documentation des fonctionnalités :

• Clés supervisées (Voir doc as_supervised ) : None

• Citation :

@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 (configuration par défaut)

• Description de la configuration : Un ensemble de données composé d'images de train et de validation d'une résolution de 32 x 32.

• Taille du téléchargement : 3.98 GiB

• Taille du jeu de données : 3.05 GiB

• Figure ( tfds.show_examples ) :

• Exemples ( tfds.as_dataframe ) :

downsampled_imagenet/64x64

• Description de la configuration : Un ensemble de données composé d'images de train et de validation de résolution 64x64.

• Taille du téléchargement : 11.73 GiB

• Taille du jeu de données : 10.80 GiB

• Figure ( tfds.show_examples ) :

• Exemples ( tfds.as_dataframe ) :