谷歌开源机器学习数据集，可在TensorFlow直接调用

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。

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。

照例先放数据集：

GitHub：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
import tensorflow_datasets as tfds
mnist_data = tfds.load("mnist")
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
assert isinstance(mnist_train, tf.data.Dataset)

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：

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)。

如何从磁盘加载它(DatasetBuilder.as_dataset)。

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)。

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

# Fetch the dataset directly
mnist = tfds.image.MNIST()
# or by string name
mnist = tfds.builder('mnist')

# Describe the dataset with DatasetInfo
assert mnist.info.features['image'].shape == (28, 28, 1)
assert mnist.info.features['label'].num_classes == 10
assert mnist.info.splits['train'].num_examples == 60000

# Download the data, prepare it, and write it to disk
mnist.download_and_prepare()

# Load data from disk as tf.data.Datasets
datasets = mnist.as_dataset()
train_dataset, test_dataset = datasets['train'], datasets['test']
assert isinstance(train_dataset, tf.data.Dataset)

# And convert the Dataset to NumPy arrays if you'd like
for example in tfds.as_numpy(train_dataset):
image, label = example['image'], example['label']
assert isinstance(image, np.array)

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

datasets = tfds.load("mnist")
train_dataset, test_dataset = datasets["train"], datasets["test"]
assert isinstance(train_dataset, tf.data.Dataset)

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
configs = tfds.text.IMDBReviews.builder_configs
assert "bytes" in configs

# Address a built-in config with tfds.builder
imdb = tfds.builder("imdb_reviews/bytes")
# or when constructing the builder directly
imdb = tfds.text.IMDBReviews(config="bytes")
# or use your own custom configuration
my_encoder = tfds.features.text.ByteTextEncoder(additional_tokens=['hello'])
my_config = tfds.text.IMDBReviewsConfig(
name="my_config",
version="1.0.0",
text_encoder_config=tfds.features.text.TextEncoderConfig(encoder=my_encoder),
)
imdb = tfds.text.IMDBReviews(config=my_config)

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：

ByteTextEncoder 用于字节 / 字符级编码

TokenTextEncoder 用于基于词汇表文件的单词级编码

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。

可以通过 DatasetInfo 访问编码器及其词汇表大小：

imdb = tfds.builder("imdb_reviews/subwords8k")

# Get the TextEncoder from DatasetInfo
encoder = imdb.info.features["text"].encoder
assert isinstance(encoder, tfds.features.text.SubwordTextEncoder)

# Encode, decode
ids = encoder.encode("Hello world")
assert encoder.decode(ids) == "Hello world"

# Get the vocabulary size
vocab_size = encoder.vocab_size

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

入门

我们的文档站点是开始使用 tensorflow 数据集的最佳位置。以下是一些入门指南：

数据集页面

API 文档

Colab 教程

如何添加数据集