数据集

1、The CIFAR-10 dataset

数据集：The CIFAR-10 and CIFAR-100标记为8000万微型图片

收集者： Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton.

格式：60000 32*32 colour images in 10 classes 、 6000 images per class.

          training images（5 batch）：50000、   test images（1）：10000. 

可视化观察一下：

airplane
automobile
bird
cat
deer
dog
frog
horse
ship
truck

数据集布局（Dataset layout（Python））

包含：data_batch_1, data_batch_2, ...,data_batch_5, 和test_batch 6个文件，文件中的每一个都是用cPickle生成的Python“pickle”对象。

下面是一个python2例程，它将打开这样一个文件并返回一个字典：

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

使用这种方式加载，成功后，每个文件下包含下列元素的字典：

        1) data -- a 10000x3072 numpy array of uint8s.

                        以行为主存储方式，每一行存储一个 32x32 colour image. 前1024存red channel values the next 1024 : green,  final 1024: the blue.  

        2) labels -- 值为0-9的10000 个值的列表.

                           索引为i即第i个图像的标签。

文件batches.meta包含字典元素：

• label_names -- 一个包含10个元素的列表，每一个值对应着labels中的实际意义,例如： label_names[0] == "airplane", label_names[1] == "automobile", 等。

使用案例：

#转化至范围【-1，1】

transform = transforms.Compose(

    [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

2、人脸名人数据集CelebA

202599张面部图片

10177个identity(1000val_19962、985test_19867、8192train_162770)

5个landmark locations

40 binary attributes

文件夹及其下的文件

Anno:

list_attr_celeba

list_bbox_celeba

list_landmarks_align_celeba

list_landmarks_celeba

l  list_attr_celeba

First Row: number of images

Second Row: attribute names

Restof the Rows: <image_id> <attribute_labels>

具体：202599.jpg*40个属性（以1，-1）标记

注意：

1.属性标签的顺序符合属性名称的顺序;

2.在属性标签中，“1”表示正数，“-1”表示负数。

Il  list_bbox_celeba

FirstRow: number of images

SecondRow: entry names

Rest of the Rows: <image_id> <bbox_locations>

具体：image_id x_1 y_1width height

202599.jpg *4

注意：

1. bbox标签的顺序符合条目名称的顺序;

2.在bbox位置，“x_1”和“y_1”代表边界框的左上点坐标，“width”和“height”代表边界框的宽度和高度。边界框位置按[x_1，y_1，宽度，高度]的顺序列出。

III  list_landmarks_align_celeba

First Row:number of images

Second Row:landmark names

Rest of theRows: <image_id> <landmark_locations>

具体：

lefteye_xlefteye_y righteye_x righteye_y nose_x nose_y leftmouth_x leftmouth_yrightmouth_x rightmouth_y

202599* 10

 

IV  list_landmarks_celeba

First Row:number of images

Second Row:landmark names

Rest of theRows: <image_id> <landmark_locations>

具体：lefteye_xlefteye_y righteye_x righteye_y nose_x nose_y leftmouth_x leftmouth_y rightmouth_xrightmouth_y

202599*10

注意：

1.地标位置的顺序符合地标名称的顺序;

2.“list_landmarks_celeba.txt”中的地标位置基于野内图像的坐标;

3.“list_landmarks_align_celeba.txt”中的地标位置基于对齐和裁剪图像的坐标

Eval:

l  list_eval_partition

All Rows: <image_id> <evaluation_status>

具体：202599*1(0,1,2中一个)

评价分区(Eval /list_eval_partition.txt)

分别用于培训、验证和测试的图像id

注意：

1.在评估状态下，“0”表示训练图像，“1”表示验证图像，“2”表示测试图像;

2.人脸图像的身份不会在此数据集分区中重叠;

3.在我们的ICCV 2015论文中，“LNets +ANet”使用野外图像进行训练，而“FaceTracer”和“PANDA-l”使用对齐和裁剪图像进行训练;

4.请参阅文章“野外深度学习面部属性”了解更多详情。

 

Img:

img_celeba.7z:web上下载的原图片

Align&Cropped Images：

img_align_celeba.zip： JPG

img_align_celeba_png.7z:  PNG

1.首先根据两个眼睛位置使用相似性变换粗略地对齐图像;

2.然后将图像调整为218 * 178;

 

Identity:

    Image_id pople_id

Notes:

1. The face identities are released uponrequest for research purposes only. Please contact us for details;

2. There are no identity overlappingbetween CelebA dataset and LFW dataset.

##############################继续学习ing######################################