这个小工具是谷歌人工智能项目的一部分,被称为“人工智能实验”。玩家画的画都会成为人工智能学习的资源，以增加未来它判断的准确程度。

灵魂画手上线！

Quick Draw数据集是345种类别中的5000万张图纸的集合，由游戏玩家Quick，Draw！提供。绘图被捕获为带时间戳的向量，标记有元数据，包括要求玩家绘制的内容以及玩家所在的国家/地区。您可以在quickdraw.withgoogle.com/data上浏览已识别的图纸。

原始主持数据集

原始数据以ndjson文件的形式分类，按类别分隔，格式如下：

每行包含一个图纸。以下是单个绘图的示例：

绘图数组的格式如下：

其中x和y是像素坐标，t是自第一个点以来的毫秒数。```和y是实数值，而t是整数。由于用于显示和输入的不同设备，原始图纸可以具有极大不同的边界框和点数。

简化的图形文件(.ndjson)

我们简化了向量，删除了时序信息，并将数据定位并缩放到256x256区域。数据以ndjson格式导出，其格式与原始格式相同。简化过程是：

1. 将图形与左上角对齐，使其最小值为0。
2. 均匀缩放图形，最大值为255。
3. 以1像素间距重新采样所有笔划。
4. 使用Ramer-Douglas-Peucker算法以epsilon值2.0简化所有笔划。

[examples / nodejs / simplified-parser.js](examples / nodejs / simplified-parser.js)中有一个示例，展示了如何在NodeJS中读取ndjson文件。此外，[examples / nodejs / ndjson.md](examples / nodejs / ndjson.md)文档详细介绍了一组命令行工具，可以帮助探索这些相当大的文件的子集。

二进制文件(.bin)

简化的图纸和元数据也以自定义二进制格式提供，以实现高效压缩和加载。

• [examples / binary_file_parser.py](examples / binary_file_parser.py)中有一个示例，展示了如何在Python中加载二进制文件。
  

• [examples / nodejs / binary-parser.js](examples / nodejs / binary-parser.js)中还有一个示例，展示了如何读取NodeJS中的二进制文件。
  

Numpy位图(.npy)

所有简化的图纸都以numpy.pypy格式渲染成28x28灰度位图。可以使用np.load()加载这些文件。这些图像是从简化数据生成的，但是与图形边界框的中心对齐，而不是左上角。

获取数据

该数据集在Google Cloud Storage上以ndjson文件的形式分类。请参阅Cloud Console中的文件列表，或阅读有关[访问公共数据集]的更多信息(https://cloud.google.com/storage) / docs / access-public-data)使用其他方法。

按类别分隔的完整数据集

• 原始文件(.ndjson)
  

• 简化的图纸文件(.ndjson)
  

• 二进制文件(.bin)
  

• Numpy位图文件(.npy)
  

Sketch-RNN QuickDraw数据集

该数据还用于训练Sketch-RNN模型。这个模型的开源TensorFlow实现可以在Magenta Project中找到，(链接到GitHub repo /树/主/品红/模型/ sketch_rnn))。您还可以在此Google研究博客文章中阅读有关此模型的更多信息。数据以适合输入到递归神经网络的格式存储在压缩的.npz文件中。

转自“SciTouTiao”微信公众号

上一篇:谷歌推出新日历应用 可根据邮件帮你安排日程
下一篇:谷歌发布可穿戴设备招聘职位，Pixel Watch要来了？

本文标签：

推荐新闻