由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

网上很多复旦大学的文本分类数据集，但是训练和测试大多是分开的。 我收集下载重新打包，以方便大家使用。 仅需5个积分，是最便宜的了。

LFW人脸数据库的简介 LFW (Labled Faces in the Wild)人脸数据集：是目前人脸识别的常用测试集，其中提供的人脸图片均来源于生活中的自然场景，因此识别难度会增大，尤其由于多姿态、光照、表情、年龄、遮挡等因素影响导致即使同一人的照片差别也很大。并且有些照片中可能不止一个人脸出现，对这些多人脸图像仅选择中心坐标的人脸作为目标，其他区域的视为背景干扰。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。

今天小编就为大家分享一篇Python 实现训练集、测试集随机划分，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

数据集包括文字的和图片的数据集

使用TensorFlow进行卷积神经网络实现花卉分类的项目，加载十种花分类，建立模型后进行预测分类图片 环境：win10 +TensorFlow gpu 1.12.0+pycharm 训练集 训练数据存放路径为:‘flower/train/花文件名/*.jpg’ 训练模型存储路径为:'flower/model/‘ 测试样本路径及文件名为:'flower/test/花文件名/**.jpg‘ 文章：https://blog.csdn.net/qq_33290233/article/details/107035583#comments_15506322

BP神经网络算法（鸢尾花）附带相关训练集及测试集，Iris（鸢尾花）数据集分为训练集（Iris-train.txt）和测试集（Iris-test.txt），分别含75个样本，每个集合中每种花各有25个样本。

Words-240测试集包含240对中文词汇和人工对这些词对之间的语义相关度的评测值（和英文的WordSimilarity-353测试集类似），此测试集可以用于测试或者训练中文语义相关度算法。我们以组为单位安排人员进行测试，共分为12组，每组包含20对词。每一组词汇都有20人分别对其相关性进行量化评测， 共有240余人参与了测试。词汇之间相关性的度量值介于0到10之间（0表示这两个词之间毫不相关，10表示这两个词是同义词），我 们将这20个人对某词对的评测结果的平均值作为最终结果。每个人的评价结果请参见“测试集统计结果.xls”。如果您有什么问题或者评论，请您发邮件和我们联系，邮件地址是：xiangwangcn@gmail.com。 此测试集是我们为了测试中文词汇之间的语义相关度算法而构造的，详情请参见我们的论文《基于中文维基百科链接结构与分类体系的语义相关度计算》（作者：汪祥，贾焰，周斌，丁兆云，梁政）。论文尚未发表，发表后您将可以看到。 Words-240测试集得到了国防科技大学613教研室的大力支持，感谢贾焰老师、周斌老师等的指导和帮助。在构造测试集中，著名英文词汇语义相似度的测试集WordSimilarity-353的创立者Lev Finkelstein在如何选择测试集Words-240中词对的问题上进行了热心的指导,在此表示诚挚的感谢。在构造测试集的过程中，湖南师范大学的彭丹同学、湖南大学的陈军同学和国防科技大学的李虎给予了大力协助，在此表示衷心的感谢。国防科技大学、湖南师范大学和湖南大学的240余名同学无偿参与了测试，他们的无私奉献精神直接促使了本测试集的诞生，参加测试的同学有：万芬芬，李大财，吴章彬，尹晋文，邱口，黄江勇，蔡强，王刚，张伟，周晓锋，刘时，徐浩，胡燕，左文豪，吴勇，刘念松，尹波，姚鑫，张右良，周晟，王佳静，何佳，袁功彪，李晋国，谢小红，叶光辉，林建，钟勇才，杨海兵，陈聪，陈超，童国雄，周新云，邹垒，肖天赐，尹邦浩，刘伟，何花，李欢妮，焦丙丰，刘乾，张翠，艾达，伍浩，孙浩然，钟方敬，赵浒，刘哲，龚秀娟，李琦，杨瑞丽，何珂，甘玲，许念，胡蛟，孔梦娟，罗浩，刘芳，廖璨，李冬嫦，白露，皮之云，袁园，潘剑珍，杨厅，徐征，匡牧宇，王薇薇，祁曦婕，宇岳，游凤英，王昕，曹璇，吕性，张志世，杨贵芸，杨雪梅，李腾飞，廖娟，陈娅琦，彭燕，崔文秀，路俊雅，刘雅玲，曾状林，范仁娇，陈玲佳，詹会，孙梦迪，毛本，徐汇，刘婷，黎明阳，刘雨薇，王晓秀，祁美丹，程怡欣，吴之瑶，马超玲，蒋丽娟，刘娜，张芬，阮晓婷，马璞玉，刘贤霖，李西，李小芳，余立，曾惠奇，晓歪，张艳翔，曾田田，张卫，付渔，伍新春，胡朱，苏兴恺，马党，张祥洪，段丽，李文韶，黄红君，陈超，伍月，侯丽华，陆金梅，谢璐璐，谭娜娜，胡海姣，裴晓强、刘建峰，王海波等（由于隐私保护等原因，很多同学的姓名等未在此处列出），在此对他们表示感谢。

随机从列表中取出元素： import random dataSet = [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9], [10]] trainDataSet = random.sample(dataSet, 3) 以下函数，使用于我最近的一个机器学习的项目，将数据集数据按照比例随机划分成训练集数据和测试集数据： import csv import random def getDataSet(proportion): """ :exception 获取训练集和测试集(将数据按比例随机划分) :parame

a) 传感器高频数据：该数据来自于模温机及模具传感器采集的数据，文件夹内每一个模次对应一个csv文件，单个模次时长为40~43s，采样频率根据阶段有20Hz和50Hz两种，含有24个传感器采集的数据； b) 成型机状态数据（data_spc）：该数据来自成型机机台，均为表征成型过程中的一些状态数据，每一行对应一个模次，数据维度为86维；