1. CIFAR10 小图像分类数据集

  • 50,000 张 32x32 彩色训练图像数据,以及 10,000 张测试图像数据,总共分为 10 个类别。

    from keras.datasets import cifar10
    (x_train, y_train), (x_test, y_test) = cifar10.load_data()
    # x_train, x_test: uint8 数组表示的 RGB 图像数据,尺寸为 (num_samples, 3, 32, 32)。
    # y_train, y_test: uint8 数组表示的类别标签(范围在 0-9 之间的整数),尺寸为 (num_samples,)。
    

2. CIFAR100 小图像分类数据集

  • 50,000 张 32x32 彩色训练图像数据,以及 10,000 张测试图像数据,总共分为 100 个类别。

    from keras.datasets import cifar100
    (x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode='fine')
    # label_mode: "fine" 或者 "coarse" # fine 精美的,coarse粗糙的
    

3. IMDB 电影评论情感分类数据集

  • 数据集来自 IMDB 的 25,000 条电影评论,以情绪(正面/负面)标记。每一条评论已经过预处理,并编码为词索引(整数)的序列表示。为了方便起见,将词按数据集中出现的频率进行索引,例如整数 3 编码数据中第三个最频繁的词。这允许快速筛选操作,例如:「只考虑前 10,000 个最常用的词,但排除前 20 个最常见的词」。作为惯例,0 不代表特定的单词,而是被用于编码任何未知单词。

    from keras.datasets import imdb
    
    (x_train, y_train), (x_test, y_test) = imdb.load_data(path="imdb.npz",
                                                          num_words=None,
                                                          skip_top=0, 
                                                          maxlen=None,
                                                          seed=113,
                                                          start_char=1,
                                                          oov_char=2,
                                                          index_from=3)
    

4. 路透社新闻主题分类

  • 数据集来源于路透社的 11,228 条新闻文本,总共分为 46 个主题。与 IMDB 数据集一样,每条新闻都被编码为一个词索引的序列(相同的约定)。

    from keras.datasets import reuters
    
    (x_train, y_train), (x_test, y_test) = reuters.load_data(path="reuters.npz",
                                                             num_words=None,
                                                             skip_top=0,
                                                             maxlen=None,
                                                             test_split=0.2,
                                                             seed=113,
                                                             start_char=1,
                                                             oov_char=2,
                                                             index_from=3)
    
  • 规格与 IMDB 数据集的规格相同,但增加了:test_split: 浮点型。用作测试集的数据比例。该数据集还提供了用于编码序列的词索引:

    word_index = reuters.get_word_index(path="reuters_word_index.json")
    

5. MNIST 手写字符数据集

  • 训练集为 60,000 张 28x28 像素灰度图像,测试集为 10,000 同规格图像,总共 10 类数字标签。

    from keras.datasets import mnist
    (x_train, y_train), (x_test, y_test) = mnist.load_data(path)
    # x_train, x_test: uint8 数组表示的灰度图像,尺寸为 (num_samples, 28, 28)。
    # y_train, y_test: uint8 数组表示的数字标签(范围在 0-9 之间的整数),尺寸为 (num_samples,)。
    # 下载Dataset到本地,默认是'~/.keras/datasets/' + path,默认会自动扫描这个~/.keras/dataset路径,如果path为空的话
    

6. Fashion-MNIST 时尚物品数据集

  • 训练集为 60,000 张 28x28 像素灰度图像,测试集为 10,000 同规格图像,总共 10 类时尚物品标签。该数据集可以用作 MNIST 的直接替代品。类别标签是:

    类别 描述 中文
    0 T-shirt/top T恤/上衣
    1 Trouser 裤子
    2 Pullover 套头衫
    3 Dress 连衣裙
    4 Coat 外套
    5 Sandal 凉鞋
    6 Shirt 衬衫
    7 Sneaker 运动鞋
    8 Bag 背包
    9 Ankle boot 短靴
from keras.datasets import fashion_mnist
(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()

7. Boston 房价回归数据集

  • 数据集来自卡内基梅隆大学维护的 StatLib 库。样本包含 1970 年代的在波士顿郊区不同位置的房屋信息,总共有 13 种房屋属性。 目标值是一个位置的房屋的中值(单位:k$)。
from keras.datasets import boston_housing
(x_train, y_train), (x_test, y_test) = boston_housing.load_data()