CIFAR‑100 是由加拿大高级研究院（Canadian Institute for Advanced Research）在 2009 年发布的图像分类基准数据集，最初由 Alex Krizhevsky、Vinod Nair 与 Geoffrey Hinton 从 Tiny‑Images 数据库中抽取而来。它是 CIFAR‑10 的扩展版，专为评估卷积神经网络（CNN）等视觉模型的细粒度分类能力而设计。
1. 数据规模与基本结构
| 项目 | 说明 |
|---|---|
| 图像数量 | 60 000 张（训练 50 000 张，测试 10 000 张） |
| 图像尺寸 | 32 × 32 像素，RGB 三通道 |
| 类别层次 | 细粒度 100 个类别（每类 600 张，其中 500 张用于训练，100 张用于测试） |
| 超类层次 | 20 个超类（每个超类包含 5 个细粒度类别），每张图像同时拥有“精细标签”（所属细类）和“粗糙标签”（所属超类） |
2. 类别划分示例
- 超类：aquatic mammals、fish、flowers、fruit & vegetables、large carnivores、vehicles 1、vehicles 2 等。
- 细类：海狸、海豚、金鱼、玫瑰、苹果、狮子、卡车等（共 100 种）。
3. 主要用途与研究价值
- 模型基准：常用于评估图像分类、特征学习、迁移学习、对抗样本、少样本学习等任务的算法性能。
- 细粒度挑战：相比 CIFAR‑10，类别更多且更细分，提升了对模型辨别细微差别的要求，是检验网络泛化能力的经典“小规模”基准。
- 教学与实验：因数据量适中、加载方便，广泛出现在深度学习教材、框架示例（如 PyTorch、TensorFlow）以及学术论文中。
4. 下载与获取方式
- 官方页面（包含数据说明、引用信息、下载链接）：
https://www.cs.toronto.edu/\~kriz/cifar.html - 直接下载链接（Python 版压缩包）：
https://www.cs.toronto.edu/\~kriz/cifar-100-python.tar.gz
建议使用官方提供的
cifar-100-python.tar.gz，解压后即可得到train、test两个二进制文件，配套的meta文件中包含类别名称与超类信息。
5. 引用格式（示例）
Krizhevsky A., Nair V., Hinton G. (2009). Learning Multiple Layers of Features from Tiny Images. Technical Report, University of Toronto.
在学术写作中，可使用上述技术报告或直接引用官方页面。
小结
CIFAR‑100 以其 100 类、20 超类的层次结构和 32×32 小尺寸图像，成为深度学习领域评估细粒度视觉模型的标准基准。通过官方页面即可免费下载并在主流深度学习框架中快速加载使用。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！