深度学习常用数据集简介

数据集

深度学习常用数据集简介
- CIFAR
- ImageNet
- SVHN
- MNIST
- FashionMNIST

CIFAR

CIFAR是由Alex Krizhevsky、Vinod Nair和Geoffrey Hinton收集而来；
起初的数据集共分10类，分别为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车，所以CIFAR数据集常以CIFAR-10命名。
CIFAR共包含60000张32*32的彩色图像（包含50000张训练图片，10000张测试图片），其中没有任何类型重叠的情况。
后来CIFAR又出了一个分类更多的版本叫CIFAR-100，共有100类，将图片分得更细。

图片样例如下

在这里插入图片描述

ImageNet

ImageNet数据集是一个计算机视觉数据集，是由斯坦福大学的李飞飞教授带领创建。
该数据包含的大类别有：anmphibian、animal、appliance、bird、covering、device、fabric、fish、flower、food、fruit、furniture、mammal、musical instrument、plant、reptile、sport、structure、tool、tree、vegetable、vehicle、person。
该数据集包合 14,197,122张图片和21,841个Synset索引。

图片样例如下

在这里插入图片描述

ImageNet是一个根据WordNet层次结构（目前只有名词）组织的图像数据库，其中层次结构的每个节点都由成百上千的图像描述。该项目在推进计算机视觉和深度学习研究方面发挥了重要作用。研究人员可以免费获得这些数据，用于非商业用途。

与CIFAR-10数据集相比
相比CIFAR-10 , ImageNet 数据集图片数量更多，分辨率更高，含有的类别更多（上千个图像类别），图片中含更多的无关噪声和变化，因此识别难度比CIFAR-10 高得多。

SVHN

SVHN（Street View House Number）Dateset 来源于谷歌街景门牌号码。

扫描二维码关注公众号，回复： 15362320 查看本文章

图片样例如下

在这里插入图片描述

MNIST

MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28(下图展示的是一个大小为64的patch网格化成的8*8的格式)。此数据集是以二进制存储的，不能直接以图像格式查看，不过很容易找到将其转换成图像格式的工具。
基于pytorch的代码可以直接调用torchvision.datasets.MNIST()下载：

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean = [0.5],std = [0.5])])

dataset_train = datasets.MNIST(root = './data/', 
                               transform = transform,
                               train = True,
                               download = True)

dataset_test = datasets.MNIST(root = './data/',
                              transform = transform,
                              train = False,
                              download = True)

图片样例如下

在这里插入图片描述

FashionMNIST

不同于MNIST手写数据集，Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。
基于pytorch的代码可以直接调用torchvision.datasets.FashionMNIST()下载：

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean = [0.5],std = [0.5])])

dataset_train = datasets.FashionMNIST(root = './data/', 
                               transform = transform,
                               train = True,
                               download = True)

dataset_test = datasets.FashionMNIST(root = './data/',
                              transform = transform,
                              train = False,
                              download = True)

图片样例如下

在这里插入图片描述