深度学习常见数据集介绍

深度学习常见数据集介绍

本文将介绍深度学习当中一些常见数据集，并给出其下载网址及pytorch的获取方式。

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。该数据集包合 14,197,122张图片和21,841个Synset索引。 Synset是WordNet层次结构中的一个节点，它又是一组同义词集合。 ImageNet数据集一直是评估图像分类算法性能的基准。
ImageNet 数据集是为了促进计算机图像识别技术的发展而设立的一个大型图像数据集。2016 年ImageNet 数据集中已经超过干万张图片，每一张图片都被手工标定好类别。ImageNet 数据集中的图片涵盖了大部分生活中会看到的图片类别。ImageNet最初是拥有超过100万张图像的数据集。

官网：https://image-net.org/

从2010年起， 每年ImageNet 的项目组织都会举办一场基于ImageNet 的大规模视觉识别竞赛（ lmageNet Large Scale VisualRecognition Challenge , ILSVRC ）。 ILSVRC使用ImageNet的一个子集，总共有大约120万个训练图像，50,000个验证图像，以及150,000个测试图像；1000类别标记。

CIFAR10

CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。

每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

官网：http://www.cs.toronto.edu/~kriz/cifar.html

pytorch获取数据

torchvision.datasets.CIFAR10(
    root: str, 
    train: bool = True, 
    transform: Optional[Callable] = None, 
    target_transform: Optional[Callable] = None, 
    download: bool = False)

MNIST

MNIST数据集(Mixed National Institute of Standards and Technology database)是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集。其中，每张图像的尺寸为28×28。

官网：http://yann.lecun.com/exdb/mnist/

torchvision.datasets.MNIST(
    root: str, 
    train: bool = True, 
    transform: Optional[Callable] = None, 
    target_transform: Optional[Callable] = None, 
    download: bool = False)

Fasion MNIST

Fashion MNIST（服饰数据集）的作用是经典MNIST数据集的简易替换，MNIST数据集包含手写数字（阿拉伯数字）的图像，两者图像格式及大小都相同。Fashion MNIST比常规 MNIST手写数据将更具挑战性。两者数据集都较小，主要适用于初学者学习或验证某个算法可否正常运行。他们是测试和调试代码的良好起点。

Fashion MNIST/服饰数据集包含70000张灰度图像，其中包含60,000个示例的训练集和10,000个示例的测试集，每个示例都是一个28x28灰度图像，分为以下几类：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）

官网：https://www.worldlink.com.cn/en/osdir/fashion-mnist.html

pytorch获取数据

torchvision.datasets.FashionMNIST(
    root: str, 
    train: bool = True, 
    transform: Optional[Callable] = None, 
    target_transform: Optional[Callable] = None, 
    download: bool = False)