谷歌开源机器学习数据集，可在TensorFlow直接调用

最新推荐文章于 2024-06-15 09:44:24 发布

flybirding10011

最新推荐文章于 2024-06-15 09:44:24 发布

阅读量149

点赞数

分类专栏： 148

本文链接：https://blog.csdn.net/cpongo1/article/details/89024157

版权

148 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

\n
吴恩达说过，公共数据集为机器学习研究这枚火箭提供了动力，但将这些数据集放入机器学习管道就已经够难的了。编写供下载的一次性脚本，准备他们要用的源格式和复杂性不一的数据集，相信这种痛苦每个程序员都有过切身体会。
\n

\n
但现在，你再也不会被这种痛苦困扰了。谷歌今天开源了一个机器学习数据集，可在TensorFlow直接调用，这为开发人员省去了不少麻烦。
\n

照例先放数据集：
\nGitHub：https://github.com/tensorflow/datasets

今天，我们很高兴地推出TensorFlow数据集，它将作为tf.data.Datasets和NumPy数组向公众开放。它可以完成从获取源数据，到准备磁盘上的通用格式的所有琐碎工作，并使用tf.data API构建高性能输入管道，这些管道支持 TensorFlow 2.0，并可与tf.keras模型一起使用。我们推出了29个流行的研究数据集，如MNIST、Street View House Numbers、包含10亿数据的语言模型基准和大型电影评论数据集，并将在未来几个月推出更多数据集；我们也希望你可以加入并贡献数据集。

tl;dr

# Install: pip install tensorflow-datasets\nimport tensorflow_datasets as tfds\nmnist_data = tfds.load(\u0026quot;mnist\u0026quot;)\nmnist_train, mnist_test = mnist_data[\u0026quot;train\u0026quot;], mnist_data[\u0026quot;test\u0026quot;]\nassert isinstance(mnist_train, tf.data.Dataset)\n

在Colab notebook 上试试 tfds。

tfds.load和DatasetBuilder

每个数据集都作为DatasetBuilder公开，它会告诉你：

\n
从哪里下载数据以及如何提取数据并将其写入标准格式（DatasetBuilder.download_and_prepare）。\n
如何从磁盘加载它（DatasetBuilder.as_dataset）。\n
以及有关数据集的所有信息，例如所有要素的名称、类型和形状，每个拆分中的记录数、源URL、数据集或相关论文的引用等（DatasetBuilder.info）。\n

你可以直接对所有DatasetBuilders进行实例化或使用tfds.builder字符串获取：

import tensorflow_datasets as tfds\n\n# Fetch the dataset directly\nmnist = tfds.image.MNIST()\n# or by string name\nmnist = tfds.builder('mnist')\n\n# Describe the dataset with DatasetInfo\nassert mnist.info.features['image'].shape == (28, 28, 1)\nassert mnist.info.features['label'].num_classes == 10\nassert mnist.info.splits['train'].num_examples == 60000\n\n# Download the data, prepare it, and write it to disk\nmnist.download_and_prepare()\n\n# Load data from disk as tf.data.Datasets\ndatasets = mnist.as_dataset()\ntrain_dataset, test_dataset = datasets['train'], datasets['test']\nassert isinstance(train_dataset, tf.data.Dataset)\n\n# And convert the Dataset to NumPy arrays if you'd like\nfor example in tfds.as_numpy(train_dataset):\n  image, label = example['image'], example['label']\n  assert isinstance(image, np.array)\n

as_dataset（）接受一个batch_size参数，它将提供批量示例，而不是一次一个示例。对于适合内存的小型数据集，你可以用batch_size = -1立即获取整个数据集作为tf.Tensor。使用tfds.as_numpy（）可以轻松地将所有tf.data.Datasets转换为NumPy数组的参数。

为方便起见，你可以使用tfds.load执行以上所有操作，tfds.load按名称获取DatasetBuilder，调用download_and_prepare（）以及as_dataset（）。

import tensorflow_datasets as tfds\n\ndatasets = tfds.load(\u0026quot;mnist\u0026quot;)\ntrain_dataset, test_dataset = datasets[\u0026quot;train\u0026quot;], datasets[\u0026quot;test\u0026quot;]\nassert isinstance(train_dataset, tf.data.Dataset)\n

你也可以通过传递with_info = True轻松地从tfds.load获取DatasetInfo对象。有关所有选项，请参阅API文档。

数据集版本管理

每个数据集都是版本化的（builder.info.version），你大可放心，数据不会随意发生变化，且结果是可重现的。目前，我们保证如果数据发生变化，将增加版本。

请注意，尽管目前我们保证给定同一版本下的数据值和拆分是相同的，但不保证对同一版本的记录进行排序。

数据集配置

具有不同变体的数据集使用命名的BuilderConfigs进行配置。例如，大型电影评论数据集(tfds.text.IMDBReviews )不同的输入可能有不同的编码（例如，纯文本、字符编码或子词编码）。内置配置与数据集文档一起列出，可以通过字符串进行寻址，也可以传入你自己的配置。

# See the built-in configs\nconfigs = tfds.text.IMDBReviews.builder_configs\nassert \u0026quot;bytes\u0026quot; in configs\n\n# Address a built-in config with tfds.builder\nimdb = tfds.builder(\u0026quot;imdb_reviews/bytes\u0026quot;)\n# or when constructing the builder directly\nimdb = tfds.text.IMDBReviews(config=\u0026quot;bytes\u0026quot;)\n# or use your own custom configuration\nmy_encoder = tfds.features.text.ByteTextEncoder(additional_tokens=['hello'])\nmy_config = tfds.text.IMDBReviewsConfig(\n    name=\u0026quot;my_config\u0026quot;,\n    version=\u0026quot;1.0.0\u0026quot;,\n    text_encoder_config=tfds.features.text.TextEncoderConfig(encoder=my_encoder),\n)\nimdb = tfds.text.IMDBReviews(config=my_config)\n

请参阅有关添加数据集的文档中有关数据集配置的部分。

文本数据集和词汇表

由于编码和词汇文件不同，文本数据集通常很难处理。tensorflow-datasets让这一过程变得更简单。它包含许多文本任务，包括三种TextEncoders，且都支持Unicode：

\n
ByteTextEncoder用于字节/字符级编码\n
TokenTextEncoder用于基于词汇表文件的单词级编码\n
SubwordTextEncoder用于子词级编码（以及针对特定文本语料库创建子词词汇的能力），可以字节级回退，因此它是完全可逆的。例如，“hello world”可以拆分为[“he”，“llo”，“”，“wor”，“ld”]，然后进行整数编码。子词是词级和字节级编码之间的媒介，在一些自然语言研究项目中很受欢迎。\n

可以通过DatasetInfo访问编码器及其词汇表大小：

imdb = tfds.builder(\u0026quot;imdb_reviews/subwords8k\u0026quot;)\n\n# Get the TextEncoder from DatasetInfo\nencoder = imdb.info.features[\u0026quot;text\u0026quot;].encoder\nassert isinstance(encoder, tfds.features.text.SubwordTextEncoder)\n\n# Encode, decode\nids = encoder.encode(\u0026quot;Hello world\u0026quot;)\nassert encoder.decode(ids) == \u0026quot;Hello world\u0026quot;\n\n# Get the vocabulary size\nvocab_size = encoder.vocab_size\n

TensorFlow和TensorFlow数据集都将在未来进一步改进文本支持。