常用数据库Dataset

常用数据库

CIFAR10 小图片分类数据集

该数据库具有50,000个32*32的彩色图片作为训练集，10,000个图片作为测试集。图片一共有10个类别。

使用方法

from keras.datasets import cifar10(X_train, y_train), (X_test, y_test) = cifar10.load_data()

返回值：

两个Tuple

X_train和X_test是形如（nb_samples, 3, 32, 32）的RGB三通道图像数据，数据类型是无符号8位整形（uint8）

Y_train和 Y_test是形如（nb_samples,）标签数据，标签的范围是0~9

---

CIFAR100 小图片分类数据库

该数据库具有50,000个32*32的彩色图片作为训练集，10,000个图片作为测试集。图片一共有100个类别，每个类别有600张图片。这100个类别又分为20个大类。

使用方法

from keras.datasets import cifar100(X_train, y_train), (X_test, y_test) = cifar100.load_data(label_mode='fine')

参数

• label_mode：为‘fine’或‘coarse’之一，控制标签的精细度，‘fine’获得的标签是100个小类的标签，‘coarse’获得的标签是大类的标签

返回值

两个Tuple,(X_train, y_train), (X_test, y_test)，其中

• X_train和X_test：是形如（nb_samples, 3, 32, 32）的RGB三通道图像数据，数据类型是无符号8位整形（uint8）

• y_train和y_test：是形如（nb_samples,）标签数据，标签的范围是0~9

---

IMDB影评倾向分类

本数据库含有来自IMDB的25,000条影评，被标记为正面/负面两种评价。影评已被预处理为词下标构成的序列。方便起见，单词的下标基于它在数据集中出现的频率标定，例如整数3所编码的词为数据集中第3常出现的词。这样的组织方法使得用户可以快速完成诸如“只考虑最常出现的10,000个词，但不考虑最常出现的20个词”这样的操作

按照惯例，0不代表任何特定的词，而用来编码任何未知单词

使用方法

from keras.datasets import imdb(X_train, y_train), (X_test, y_test) = imdb.load_data(path='imdb_full.pkl', nb_words=None, skip_top=0, maxlen=None, test_split=0.1) seed=113, start_char=1, oov_char=2, index_from=3)

参数

• path：如果你在本机上已有此数据集（位于'~/.keras/datasets/'+path），则载入。否则数据将下载到该目录下

• nb_words：整数或None，要考虑的最常见的单词数，任何出现频率更低的单词将会被编码到0的位置。

• skip_top：整数，忽略最常出现的若干单词，这些单词将会被编码为0

• maxlen：整数，最大序列长度，任何长度大于此值的序列将被截断

• seed：整数，用于数据重排的随机数种子

• start_char：字符，序列的起始将以该字符标记，默认为1因为0通常用作padding

• oov_char：字符，因nb_words或skip_top限制而cut掉的单词将被该字符代替

• index_from：整数，真实的单词（而不是类似于start_char的特殊占位符）将从这个下标开始

返回值

两个Tuple,(X_train, y_train), (X_test, y_test)，其中

• X_train和X_test：序列的列表，每个序列都是词下标的列表。如果指定了nb_words，则序列中可能的最大下标为nb_words-1。如果指定了maxlen，则序列的最大可能长度为maxlen

• y_train和y_test：为序列的标签，是一个二值list

---

路透社新闻主题分类

本数据库包含来自路透社的11,228条新闻，分为了46个主题。与IMDB库一样，每条新闻被编码为一个词下标的序列。

使用方法

from keras.datasets import reuters(X_train, y_train), (X_test, y_test) = reuters.load_data(path='reuters.pkl', nb_words=None, skip_top=0, maxlen=None, test_split=0.2, seed=113, start_char=1, oov_char=2, index_from=3)

参数的含义与IMDB同名参数相同，唯一多的参数是：test_split，用于指定从原数据中分割出作为测试集的比例。该数据库支持获取用于编码序列的词下标：

word_index = reuters.get_word_index(path='reuters_word_index.pkl')

上面代码的返回值是一个以单词为关键字，以其下标为值的字典。例如，word_index['giraffe']的值可能为1234

数据库将会被下载到'~/.keras/datasets/'+path

---

MNIST手写数字识别

本数据库有60,000个用于训练的28*28的灰度手写数字图片，10,000个测试图片

使用方法

from keras.datasets import mnist(X_train, y_train), (X_test, y_test) = mnist.load_data()

返回值

两个Tuple,(X_train, y_train), (X_test, y_test)，其中

• X_train和X_test：是形如（nb_samples, 28, 28）的灰度图片数据，数据类型是无符号8位整形（uint8）

• y_train和y_test：是形如（nb_samples,）标签数据，标签的范围是0~9

数据库将会被下载到'~/.keras/datasets/'+path

---