CIFAR-10数据集说明

小白一枚~

　　由于正在学习cs231n，第一节课就涉及到用这个数据集进行图像分类。该数据集的页面：http://www.cs.toronto.edu/~kriz/cifar.html

这篇随笔可以看作个人对于cifar数据集的介绍的中文版，Orz大佬勿嘲笑~~

   

/*************************************************************************************************************************************************************/

CIFAR-10和CIFAR-100是带有标签的数据集，都出自于规模更大的一个数据集，他有八千万张小图片（http://groups.csail.mit.edu/vision/TinyImages/。这个是一个大项目，你可以点击那个big map提交自己的标签，可以帮助他们训练让计算机识别物体的模型）

   

• CIFAR-10

   

　　该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。

   

下面这幅图就是列举了10各类，每一类展示了随机的10张图片：

   

   

屏幕剪辑的捕获时间: 2017/12/24 19:31

   

需要说明的是，这10类都是各自独立的，不会出现重叠。

   

数据的下载：

（共有三个版本：python,matlab,binary version 适用于C语言）

http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

http://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz

http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

   

Baseline results (基线结果？还不是很懂)

　　你可以在cuda-convert的项目页面上找到此数据集上的一些基线可复制的结果。这个结果是由CNN卷积神经网络得到的。简要的说，在没有数据扩充的情况下，测试误差为18%，反之为11%。

（emmm这段感觉关系不大。。。）

   

数据集布局

   

Python/Matlab 版本

　　这两个数据形式是一样的，就以python为例。

　　该数据集文件包含data_batch1……data_batch5，和test_batch。他们都是由cPickle库产生的序列化后的对象（关于pickle,移步https://docs.python.org/3/library/pickle.html）。这里给出python2和python3的例程，他可以打开这样的pkl文件，返回一个字典结构的数据：

Python2:

def unpickle(file):
import cPickle
with open(file, 'rb') as fo:
dict = cPickle.load(fo)
return dict      

Python3:

 

def unpickle(file):
import pickle
with open(file, 'rb') as fo:
dict = pickle.load(fo, encoding='bytes')
return dict 

 

这样的话，每个batch文件包含一个字典，每个字典包含有：

• • Data

    　　一个10000*3072的numpy数组（numpy:https://docs.scipy.org/doc/numpy-dev/user/quickstart.html），数据类型是无符号整形uint8。这个数组的每一行存储了32*32大小的彩色图像（32*32*3通道=3072）。前1024个数是red通道，然后分别是green,blue。另外，图像是以行的顺序存储的，也就是说前32个数就是这幅图的像素矩阵的第一行。

       

   

• • labels

    　　一个范围在0-9的含有10000个数的列表（一维的数组）。第i个数就是第i个图像的类标。

       

　　数据集除了6个batch之外，还有一个文件batches.meta。它包含一个python字典对象，内容有：

一个包含10个元素的列表，每一个描述了labels array中每个数字对应类标的名字。比如：label_names[0] == "airplane", label_names[1] == "automobile"

   

   

 /******************************* 

二进制版本

　　该版本包含5个训练批data_batch_1.bin, data_batch_2.bin, ..., data_batch_5.bin，1个测试批test_batch.bin。他们的格式都是：

　　

<1 x label><3072 x pixel>
...
<1 x label><3072 x pixel> 

 

来自 <http://www.cs.toronto.edu/~kriz/cifar.html>

   

　　也就是说，第一个字节是指类标，在0-9之间。接下来就是3072个字节，内容与上面python版本的的一样。每个文件都有10000这样的3073个字节，没有任何分隔行，所以每个文件都是30730000字节的长度。

   　与python版本类似，还有一个文件batches.meta.txt。这是一个ASCII文件，同样是把0-9数字类标和每一类的名字对照起来。