<返回Alex Krizhevsky的主页

CIFAR-10和CIFAR-100是8000万张微型图像数据集。它们是由亚历克斯·克利舍夫斯基（Alex Krizhevsky）、维诺德·奈尔（Vinod Nair）和杰弗里·辛顿（Geoffrey Hinton）收集的。

CIFAR-10数据集

CIFAR-10数据集由10类60000张32x32彩色图像组成，每类6000张图像。有50000张训练图像和10000张测试图像。

数据集分为五个训练批次和一个测试批次，每个批次有10000张图像。测试批次正好包含每个类中1000个随机选择的图像。训练批包含随机顺序的剩余图像，但某些训练批可能包含一个类中的图像多于另一个类的图像。其中，训练批次正好包含每个类的5000张图像。

以下是数据集中的类，以及每个类中的10个随机图像：
飞机
汽车
鸟
猫
鹿
狗
青蛙
马
船
卡车

这些类是完全互斥的。汽车和卡车之间没有重叠。“汽车”包括轿车、SUV等。“卡车”只包括大卡车。两者都不包括皮卡车。

下载

如果您要使用此数据集，请引用本页底部的技术报告。
版本 大小 md5总和
CIFAR-10 python版本 163 MB c58f30108f718f92721af3b95e74349a
CIFAR-10 Matlab版本 175 MB 70270af85842c9e89bb428ec9976c926
CIFAR-10二进制版本（适用于C程序） 162 MB c32a1d4ab5d03f1284b67883e8d87530

基线结果

您可以在此数据集上找到一些可复制的基线结果在cuda-convnet的项目页面上这些结果是用卷积神经网络得到的。简言之，在不进行数据增强的情况下，它们的测试误差为18%，在进行数据增强时，它们的误差为11%。此外，贾斯珀·斯诺克有一个新论文其中，他使用贝叶斯超参数优化来找到权重衰减和其他超参数的良好设置，这使他能够使用获得18%的网络结构获得15%的测试错误率（无需数据增强）。

其他结果

罗德里戈·贝内森非常友好地在其网站上收集了CIFAR-10/100和其他数据集的结果；单击此处以查看。

数据集布局

Python/Matlab版本

我将描述数据集的Python版本的布局。Matlab版本的布局相同。

存档包含文件数据块1,数据包2。。。，数据块5，以及测试匹配（_B）。每个文件都是用生成的Python“pickled”对象c酸菜。下面是一个python2例程，它将打开这样的文件并返回字典：
定义取消拾取（文件）：导入cPickle以fo形式打开（文件，'rb'）：dict=cPickle.load（fo）返回指令
还有一个python3版本：
定义取消拾取（文件）：进口泡菜以fo形式打开（文件，'rb'）：dict=pickle.load（fo，编码=“字节”）返回指令
以这种方式加载后，每个批处理文件都包含一个包含以下元素的字典：
数据集包含另一个名为批次.meta。它也包含一个Python字典对象。它包含以下条目：

二进制版本

二进制版本包含文件数据_批次_1.bin,data_batch2.bin（数据包2.bin）, ...,data_batch_5.bin（数据包），以及test_batch.bin测试包。每个文件的格式如下：
<1 x标签><3072 x像素>...<1 x标签><3072 x像素>
换句话说，第一个字节是第一个图像的标签，是0-9范围内的数字。接下来的3072字节是图像像素的值。前1024个字节是红色通道值，后1024个是绿色通道值，最后1024个为蓝色通道值。这些值以行-主顺序存储，因此前32个字节是图像第一行的红色通道值。

每个文件包含10000个这样的3073字节的“行”图像，尽管没有分隔行的内容。因此，每个文件的长度应该正好为30730000字节。

还有一个文件，名为批处理.meta.txt。这是一个ASCII文件，它将0-9范围内的数字标签映射到有意义的类名。它只是一个10个类名的列表，每行一个。行上的类名我对应于数字标签我.

CIFAR-100数据集

该数据集与CIFAR-10类似，只是它有100个类，每个类包含600个图像。每节课有500张训练图像和100张测试图像。CIFAR-100中的100个类被分为20个超类。每个图像都有一个“精细”标签（它所属的类）和一个“粗糙”标签（其所属的超类）。
以下是CIFAR-100中的类列表：

超类 课程
水生哺乳动物 海狸、海豚、水獭、海豹、鲸鱼
鱼 水族馆鱼类、比目鱼、鳐鱼、鲨鱼、鳟鱼
花 兰花、罂粟、玫瑰、向日葵、郁金香
食品容器 瓶子、碗、罐子、杯子、盘子
水果和蔬菜 苹果、蘑菇、桔子、梨、甜椒
家用电器 时钟、电脑键盘、灯、电话、电视
家用家具 床、椅子、沙发、桌子、衣柜
昆虫 蜜蜂、甲虫、蝴蝶、毛毛虫、蟑螂
大型食肉动物 熊、豹、狮、虎、狼
大型人造户外用品 桥、城堡、房子、道路、摩天大楼
大型自然户外场景 云、森林、山、平原、海
大型杂食和食草动物 骆驼、牛、黑猩猩、大象、袋鼠
中型哺乳动物 狐狸、豪猪、负鼠、浣熊、臭鼬
无脊椎动物 螃蟹、龙虾、蜗牛、蜘蛛、蠕虫
人 宝贝，男孩，女孩，男人，女人
爬行动物 鳄鱼、恐龙、蜥蜴、蛇、乌龟
小型哺乳动物 仓鼠、老鼠、兔子、鼩鼱、松鼠
树 枫树、橡树、棕榈树、松树、柳树
车辆1 自行车、公共汽车、摩托车、皮卡、火车
车辆2 割草机、火箭、电车、坦克、拖拉机

是的，我知道蘑菇不是真正的水果或蔬菜，熊也不是真正的食肉动物。

下载

版本 大小 md5总和
CIFAR-100 python版本 161 MB eb9058c3a382ffc7106e4002c42a8d85
CIFAR-100 Matlab版本 175 MB 第6页第5页第9453页第6页第4194911页
CIFAR-100二进制版本（适用于C程序） 161 MB 03b5dce01913d631647c71ecece9e9cb8

数据集布局

Python/Matlab版本

python和Matlab版本在布局上与CIFAR-10相同，所以我不会在这里浪费空间描述它们。

二进制版本

CIFAR-100的二进制版本与CIFAR-10的二进制版本类似，只是每个图像都有两个标签字节（粗略和精细）和3072个像素字节，因此二进制文件如下所示：
<1 x粗标签><1 x细标签><3072 x像素>...<1 x粗略标签><1 x精细标签><3072 x像素>

原始8000万张微型图像数据集的索引

Sivan Sabato很好地提供了这个文件它将CIFAR-100图像映射到8000万个微型图像数据集中的图像。Sivan写道：
文件有60000行，每行包含一个索引到小数据库，其中微型数据库中的第一个图像被索引为“1”。“0”表示不是来自小数据库的图像。前50000行对应培训集，后10000行对应到测试集。

参考

本技术报告（第3章）更详细地描述了数据集以及收集数据时所遵循的方法。如果您打算使用此数据集，请引用它。