深度学习 10. cifar-10 介绍

本文为原创文章转载必须注明本文出处以及附上本文地址超链接以及博主博客地址：http://blog.csdn .NET/qq_20259459 和作者邮箱（ [email protected] ）。

（如果喜欢本文，欢迎大家关注我的博客或者动手点个赞，有需要可以邮件联系我）

今天介绍一下Dataset届元老级别的cifar-10。因为下一篇会介绍如何自己构造模型来训练cifar。

cifar-10数据集和cifar-100数据集的官方网址为：https://www.cs.toronto.edu/~kriz/cifar.html

下载的地方为：

这里提供了python版本和matlab版本和C语音的版本。

其中python版本需要另行修改，matlab下载即可。

cifar-10dataset介绍：

首先我们必须要感谢提供者：Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton，这几位都是深度学习的鼻祖和真正的大佬级人物，再次不仅仅要感谢他们提供cifar数据集，更要感谢他们在深度学习为我们铺好的大道。

cifar-10：

image的个数：60000

image的大小：32*32*3

class的个数：10 （飞机；汽车；鸟；猫；鹿；狗；青蛙；马；船；卡车）

注：卡车的类中只存在卡车，皮卡和suv都不在此类中。

cifar-10 dataset的组成：

train batch有5个

test batch有1个

batches.meta为class的名字

每个batch的有10000个data和相对应的label

label从0到9

每一个data的大小为3073个字节，等于32*32*3。

CNN中得到训练的input：imdb的code（包含下载部分）：

unpackPath = fullfile(opts.dataDir, 'cifar-10-batches-mat');
files = [arrayfun(@(n) sprintf('data_batch_%d.mat', n), 1:5, 'UniformOutput', false) ...
  {'test_batch.mat'}];        %打开相应的dataset文件，包含data_batch和一个test_batch
files = cellfun(@(fn) fullfile(unpackPath, fn), files, 'UniformOutput', false);
file_set = uint8([ones(1, 5), 3]);

if any(cellfun(@(fn) ~exist(fn, 'file'), files))   %如果不存在相应文件则进行下载
  url = 'http://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz' ;
  fprintf('downloading %s\n', url) ;
  untar(url, opts.dataDir) ;
end

data = cell(1, numel(files));
labels = cell(1, numel(files));
sets = cell(1, numel(files));
for fi = 1:numel(files)
  fd = load(files{fi}) ;
  data{fi} = permute(reshape(fd.data',32,32,3,[]),[2 1 3 4]) ;
  labels{fi} = fd.labels' + 1; % Index from 1
  sets{fi} = repmat(file_set(fi), size(labels{fi}));
end

set = cat(2, sets{:});
data = single(cat(4, data{:}));


% remove mean in any case
dataMean = mean(data(:,:,:,set == 1), 4);
data = bsxfun(@minus, data, dataMean);

% normalize by image mean and std as suggested in `An Analysis of
% Single-Layer Networks in Unsupervised Feature Learning` Adam
% Coates, Honglak Lee, Andrew Y. Ng

if opts.contrastNormalization
  z = reshape(data,[],60000) ;
  z = bsxfun(@minus, z, mean(z,1)) ;
  n = std(z,0,1) ;
  z = bsxfun(@times, z, mean(n) ./ max(n, 40)) ;
  data = reshape(z, 32, 32, 3, []) ;
end

if opts.whitenData
  z = reshape(data,[],60000) ;
  W = z(:,set == 1)*z(:,set == 1)'/60000 ;
  [V,D] = eig(W) ;
  % the scale is selected to approximately preserve the norm of W
  d2 = diag(D) ;
  en = sqrt(mean(d2)) ;
  z = V*diag(en./max(sqrt(d2), 10))*V'*z ;
  data = reshape(z, 32, 32, 3, []) ;
end

clNames = load(fullfile(unpackPath, 'batches.meta.mat'));

imdb.images.data = data ;
imdb.images.labels = single(cat(2, labels{:})) ;
imdb.images.set = set;
imdb.meta.sets = {'train', 'val', 'test'} ;
imdb.meta.classes = clNames.label_names;

这个code在MatConvNet的cifar里面有提供，大家可以读一下，理解一下。

下一篇会用cifar来训练自己的NN。

本文为原创文章转载必须注明本文出处以及附上本文地址超链接以及博主博客地址：http://blog.csdn .NET/qq_20259459 和作者邮箱（ [email protected] ）。

（如果喜欢本文，欢迎大家关注我的博客或者动手点个赞，有需要可以邮件联系我）

深度学习 10. cifar-10 介绍

猜你喜欢