深度学习中使用的数据集介绍

最新推荐文章于 2024-08-22 13:53:18 发布

IMWTJ

最新推荐文章于 2024-08-22 13:53:18 发布

阅读量2.7k

点赞数

分类专栏：机器学习文章标签：深度学习开放数据集

本文链接：https://blog.csdn.net/IMWTJ123/article/details/103217703

版权

本文介绍了几个深度学习中常用的数据集，包括mnist、CIFAR-10、CIFAR-100、SVHN和fashion_mnist。详细说明了每个数据集的特征、图像尺寸、标签类型以及数据分布，并提供了数据下载链接。这些数据集对于训练和验证各种计算机视觉任务的模型至关重要。

摘要由CSDN通过智能技术生成

训练集：60000张灰色图像，大小28*28，共10类（0-9）

测试集：10000张灰色图像，大小28*28

from keras.datasets import mnist
 
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train, x_test: 参数规格分别为(60000, 28, 28)和(10000, 28, 28)。
y_train, y_test: 数字标签(0-9)，参数规格分别为(60000,)和(10000,)

CIFAR-10来自于80 million张小型图片的数据集，如下：

总数	色彩	图片尺寸	类别数	训练集	测试集
60000张	RGB	32*32	10类	50000张	10000张

整个数据集被分为5个training batches和1个test batch。test batch：随机从每类选择10000张图片组成，training batches：从剩下的图片中随机选择，但每类的图片不是平均分给batch的，总数为50000张图片，这些类别是完全互斥的。

解压后的文件包括：

下面是python3来打开文件，每个batch文件转换为dictonary：

def unpickle(file):
    import pickle
    with open(file, 'rb&#

关注

专栏目录