从 TensorFlow 数据集中拆分数据的问题

Question

我正在尝试从 Oxford Flowers 102 dataset 下载数据，并使用 tfds API 将其拆分为训练、验证和测试集。这是我的代码：

# Split numbers 
train_split = 60
test_val_split = 20

splits = tfds.Split.ALL.subsplit([train_split,test_val_split, test_val_split])

# TODO: Create a training set, a validation set and a test set.
(training_set, validation_set, test_set), dataset_info = tfds.load('oxford_flowers102', split=splits, as_supervised=True, with_info=True)

问题是当我打印出dataset_info 时，我的测试、训练和验证集得到以下数字

total_num_examples=8189,
splits={
    'test': 6149,
    'train': 1020,
    'validation': 1020,
},

问题：如何将数据拆分为训练集中的 6149 和测试和验证集中的 1020？

Answer 1

这似乎是数据集本身的一个错误。特别是因为数据集的总大小是 8189，而 6149 不是总数的 60% 而是 75%，所以你根本没有执行任何拆分。他们可能以错误的方式标记了分裂。此外，即使我尝试使用此处描述的不同方式（https://github.com/tensorflow/datasets/blob/master/docs/splits.md）加载数据集，我也得到了同样的错误拆分。

一个简单的解决方案是将测试集作为训练集传递给模型，反之亦然，但您不会获得所需的百分比。否则你可以加载整个数据集（训练+测试+验证）然后自己拆分。

df_all, summary = tfds.load('oxford_flowers102', split='train+test+validation', with_info=True)

# check if the dataset loaded truly contains everything
df_all_length = [i for i,_ in enumerate(df_all)][-1] + 1

print(df_all_length)
>>out: 8189  # length is fine


train_size = int(0.6 * df_all_length)
val_test_size = int(0.2 * df_all_length)

# split whole dataset 
df_train = df_all.take(train_size)
df_test = df_all.skip(train_size)
df_valid = df_test.skip(val_test_size)
df_test = df_test.take(val_test_size)

df_train_length = [i for i,_ in enumerate(df_train)][-1] + 1
df_val_length = [i for i,_ in enumerate(df_val)][-1] + 1
df_test_length = [i for i,_ in enumerate(df_test)][-1] + 1

# check sizes
print('Train: ', df_train_length)
print('Validation :', df_valid_length)
print('Test :', df_test_length)

>>out: 4913 #(true 60% of 8189)
>>out: 1638 #(true 20% of 8189)
>>out: 1638