Pytorch框架自己制作数据集，并加载数据集，数据集+测试源码

Mastering Large Datasets with Python

音乐情感识别：在个性化和上下文相关的应用程序中迈向新的强大标准 抽象的 在本文中，我们介绍了音乐情感识别（MER）的挑战和局限性，这是一个跨学科研究领域，致力于解决情感方面的音乐表征。 它分析音乐，以便通过计算预测听众感知或诱发的情感。 我们的目标是：（1）提供有关MER工作流中当前使用的典型方法的见解，以及（2）提示以前的研究如何将其引导到特定的未来方向。 我们为MER提供了一个以用户为中心的新概念化框架，强调了未来的研究人员应将重点放在哪里：（1）开放数据和实验可再现性；（2）概念和注释的固有主观性；（3）模型的可解释性和可解释性；（4）文化和背景相关性，以及（5）对MER应用的道德影响。 该网站提供了音乐和情感数据集以及扩展书目的详细概述。 目录 音乐情感识别数据集 数据集 年 内容 格式 尺寸 类型 感知/诱导 2007年 269摘录（30秒长） MP3 736MB 分

本资源中包含实现编程作业所需要的文件包，请读者们解压后置于和您的代码文件同一工程目录下

用于图分类的基准图数据集的存储库 图分类简介 近年来，目睹了涉及具有结构关系的对象的越来越多的应用，包括生物信息学中的化合物，大脑网络，图像结构和学术引用网络。 对于这些应用程序，图形是用于建模和捕获对象之间的依赖关系的自然而强大的工具。 与传统数据不同，在传统数据中，每个实例均以特征值矢量格式表示，图具有节点-边缘结构关系，并且没有自然矢量表示。 近年来，这一挑战激发了许多图分类算法。 给定一组训练图，每个训练图与一个类别标签相关联，图分类旨在从训练图中学习模型，以预测将来看不到的图。 下图显示了矢量数据和图形数据之间的betweeb分类差异。 数据集汇总 该存储库维护31个基准图数据集，这些数据集广泛用于图分类。 图形数据集包括： 化学化合物 引文网络 社交网络 脑网络 化学化合物图形数据集采用“ .sdf”或“ .smi”格式，其他图形数据集则表示为“ .nel”格式。 所有这些

INRIX数据集 该存储库中包含与INRIX（ ）中的数据集的存储，加载和汇总相关的所有对象。 INRIX数据集的位置和获取 2017之前的INRIX数据集 在2017年之前，SANDAG已获取INRIX数据集，但目前提供的文档有限。 数据集以每月zip存档的形式存储在SANDAG的网络中，其中包含两个csv文件。 一个文件包含该月的速度数据，另一个文件包含该月的INRIX TMC网络的TMC链接元数据。 此外，SANDAG从第三方供应商那里获取了2016年前（未记录但假设为2015年）的INRIX TMC网络的TMC链接的地理空间位置，其中，合同后原始数据集和文档已根据协议。 TMC链接的非原始地理空间网络已更改，以符合SANDAG的高​​速公路网络（未记录，但假设为2015年）。 SANDAG还创建了一个手动查找此TMC链接网络到SANDAG的高​​速公路网络的方法，该交叉引用也随有

中国古代书法单字数据集，可用于文字识别和图片分类

人脸表情识别，训练集，验证集，集，kaggle的fer2013数据集。

助力使用keras模型，避免在网上寻找数据导致时间的浪费。

包含pytorch使用的mnist数据集以及mnist原始数据集。用来实验