CIFAR-10 数据集

是什么

CIFAR-10 是一个带标签的图像数据集，用来训练和检验机器学习模型识别图像内容的能力。它包含 6 万张 32×32 的彩色图像，分为 10 个类别，每类 6000 张^[1]。这些图像被划分为 5 万张训练图像和 1 万张测试图像，以 5 个训练批次和 1 个测试批次的形式提供，每个批次各 1 万张^[1]。测试批次并不是从全集里随意抽取的一部分：它从每个类别中随机取出正好 1000 张，因此各类在测试数据中所占的分量相同^[1]。

10 个类别分别是飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车^[1]。资料把这些类别描述为完全互斥，也就是说每张图只属于其中一类^[1]。两个车辆类别之间的界线是刻意划定的：汽车（automobile）包括轿车和 SUV，卡车（truck）只包括大型卡车，因此一张重型货车的图不会被算作汽车，一张家用轿车的图也不会被算作卡车^[1]。

由来

这个数据集由 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 制作^[1]。它是 8000 万张小图数据集（80 million tiny images）的一个带标签子集，同样出自这份素材、同样由这三人制作的还有一个配套数据集 CIFAR-100^[1]。Krizhevsky 记录这项工作的技术报告标注日期为 2009 年 4 月 8 日，其中写明 10 个类别各有 6000 个样本^[2]。

主要特点：怎么用

划分成 1 个测试批次和 5 个训练批次，对应的是这类数据集实际被使用的方式。模型会看到训练图像及其标签，并调整内部参数，让自己的回答逐渐靠近这些标签。但模型在这些已经看过的图像上表现如何，说明不了它对没见过的图像会怎样，所以测试批次被单独留出，只用来估计模型在从未见过的图上的表现。由于测试批次每类正好 1000 张，在它上面得到的成绩反映的是全部 10 个类别上的整体水平，而不是模型恰好最擅长的那一类。

这些图很小，边长只有 32 像素，一张图更像一串数字，而不是细节丰富的照片。模型能从中学到的东西比较粗：物体的整体形状和颜色，而不是细密的纹理。小尺寸也有实际好处——这个规模的数据集可以直接放进内存，反复跑大量实验，因此人们常先在这种数据上试一个想法，再放大到更大的数据上去。

资料里给出了一个衡量任务难度的具体数字：一个卷积神经网络（convolutional neural network，即学习局部像素块上的小滤波器、再把它们逐层堆叠的模型）在不做数据增强时测试错误率为 18%，做数据增强后为 11%^[1]。数据增强（data augmentation）指的是由训练图像生成改动过的副本，比如轻微平移或翻转的版本，让模型看到的差异比原来 5 万张图里含有的更多。两个数字之间的差距，说明在这份数据上多出来的这点变化值多少。

在发展中的位置

由于训练与测试的划分固定、对所有人都一样，不同方法在 CIFAR-10 上报告的错误率可以放在一起比较；18% 和 11% 这两个数字正是这种参照点，是衡量新方法的一个刻度^[1]。这个数据集处在一类「小而带标签的图像集合」的工作脉络里：一大批小图先被筛成一个紧凑的集合，10 个干净、互斥的类别，在训练和测试中各自都有相同数量的样本^[1][2]。正是这种均衡，让单独一个准确率数字有了意义，也是后来的工作继续使用它时承接下来的东西。