TensorFlow可以“預(yù)裝”數(shù)據(jù)集了，新功能Datasets出爐
郭一璞 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI
訓(xùn)練機(jī)器學(xué)習(xí)模型的時(shí)候，需要先找數(shù)據(jù)集、下載、裝數(shù)據(jù)集……太麻煩了，比如MNIST這種全世界都在用的數(shù)據(jù)集，能不能來個(gè)一鍵裝載啥的？
Google也這么想。
今天，TensorFlow推出了一個(gè)新的功能，叫做TensorFlow Datasets，可以以tf.data和NumPy的格式將公共數(shù)據(jù)集裝載到TensorFlow里。
目前已經(jīng)有29個(gè)數(shù)據(jù)集可以通過TensorFlow Datasets裝載：
音頻類
nsynth
圖像類
cats_vs_dogs
celeb_a
celeb_a_hq
cifar10
cifar100
coco2014
colorectal_histology
colorectal_histology_large
diabetic_retinopathy_detection
fashion_mnist
image_label_folder
imagenet2012
lsun
mnist
omniglot
open_images_v4
quickdraw_bitmap
svhn_cropped
tf_flowers
結(jié)構(gòu)化數(shù)據(jù)集
titanic
文本類
imdb_reviews
lm1b
squad
翻譯類
wmt_translate_ende
wmt_translate_enfr
視頻類
bair_robot_pushing_small
moving_mnist
starcraft_video
未來還會(huì)增加更多數(shù)據(jù)集，你也可以自己添加數(shù)據(jù)集。
具體怎么裝
必須是TensorFlow1.12以上版本才可以安裝，某些數(shù)據(jù)集需要額外的庫(kù)。
1pip install tensorflow-datasets 2 3# Requires TF 1.12+ to be installed. 4# Some datasets require additional libraries; see setup.py extras_require 5pip install tensorflow 6# or: 7pip install tensorflow-gpu
每個(gè)數(shù)據(jù)集都作為DatasetBuilder公開，已知：
1.從哪里下載數(shù)據(jù)集，如何提取數(shù)據(jù)并寫入標(biāo)準(zhǔn)格式；
2.如何從disk加載；
3.各類要素名稱、類型等信息。
這些DatasetBuilder都能直接實(shí)例化或者用tfds.builder字符串讀取：
1import tensorflow_datasets as tfds
2
3# Fetch the dataset directly
4mnist = tfds.image.MNIST()
5# or by string name
6mnist = tfds.builder('mnist')
7
8# Describe the dataset with DatasetInfo
9assert mnist.info.features['image'].shape == (28, 28, 1)
10assert mnist.info.features['label'].num_classes == 10
11assert mnist.info.splits['train'].num_examples == 60000
12
13# Download the data, prepare it, and write it to disk
14mnist.download_and_prepare()
15
16# Load data from disk as tf.data.Datasets
17datasets = mnist.as_dataset()
18train_dataset, test_dataset = datasets['train'], datasets['test']
19assert isinstance(train_dataset, tf.data.Dataset)
20
21# And convert the Dataset to NumPy arrays if you'd like
22for example in tfds.as_numpy(train_dataset):
23 image, label = example['image'], example['label']
24 assert isinstance(image, np.array)
你也可以用tfds.load執(zhí)行一系列的批量示例、轉(zhuǎn)換操作，然后再調(diào)用。
1import tensorflow_datasets as tfds
2
3datasets = tfds.load("mnist")
4train_dataset, test_dataset = datasets["train"], datasets["test"]
5assert isinstance(train_dataset, tf.data.Dataset)
數(shù)據(jù)集版本控制
當(dāng)數(shù)據(jù)集自身版本更新時(shí)，已經(jīng)開始訓(xùn)練的數(shù)據(jù)不會(huì)變化，TensorFlow官方會(huì)采取增加新版本的方式把新的數(shù)據(jù)集放上來。
具體配置
有不同變體的數(shù)據(jù)集用BuilderConfigs進(jìn)行配置，比如大型電影評(píng)論數(shù)據(jù)集（Large Movie Review Dataset），可以對(duì)輸入文本進(jìn)行不同的編碼。
內(nèi)置配置與數(shù)據(jù)集文檔一起列出，可以通過字符串進(jìn)行尋址。
1# See the built-in configs
2configs = tfds.text.IMDBReviews.builder_configs
3assert "bytes" in configs
4
5# Address a built-in config with tfds.builder
6imdb = tfds.builder("imdb_reviews/bytes")
7# or when constructing the builder directly
8imdb = tfds.text.IMDBReviews(config="bytes")
9# or use your own custom configuration
10my_encoder = tfds.features.text.ByteTextEncoder(additional_tokens=['hello'])
11my_config = tfds.text.IMDBReviewsConfig(
12 name="my_config",
13 version="1.0.0",
14 text_encoder_config=tfds.features.text.TextEncoderConfig(encoder=my_encoder),
15)
16imdb = tfds.text.IMDBReviews(config=my_config)
也可以用你自己的配置，通過tfds.core.BuilderConfigs，進(jìn)行以下步驟：
1.把你自己的配置對(duì)象定義為的子類 tfds.core.BuilderConfig。比如叫“MyDatasetConfig”；
2.在數(shù)據(jù)集公開的列表中定義BUILDER_CONFIGS類成員，比如“MyDatasetMyDatasetConfig”；
3.使用self.builder_config在MyDataset配置數(shù)據(jù)生成，可能包括在_info()或更改下載數(shù)據(jù)訪問中設(shè)置不同的值。
關(guān)于文本數(shù)據(jù)集
平常遇到文本數(shù)據(jù)集都比較難搞，但是有了TensorFlow Datasets就會(huì)好辦一些，包含很多文本任務(wù)，三種文本編碼器：
1.ByteTextEncoder，用于字節(jié)/字符級(jí)編碼；
2.TokenTextEncoder，用于基于詞匯文件的單詞級(jí)編碼；
3.SubwordTextEncoder，用于子詞級(jí)編碼，具有字節(jié)級(jí)回退，以使其完全可逆，比如可以把“hello world”分為[“he”，“l(fā)lo”，“”，“wor”，“l(fā)d”]，然后進(jìn)行整數(shù)編碼。
以上這些都支持Unicode。
編碼器和詞庫(kù)可以這樣訪問：
1imdb = tfds.builder("imdb_reviews/subwords8k")
2
3# Get the TextEncoder from DatasetInfo
4encoder = imdb.info.features["text"].encoder
5assert isinstance(encoder, tfds.features.text.SubwordTextEncoder)
6
7# Encode, decode
8ids = encoder.encode("Hello world")
9assert encoder.decode(ids) == "Hello world"
10
11# Get the vocabulary size
12vocab_size = encoder.vocab_size
TensorFlow官方明確表示，TensorFlow和TensorFlow Datasets在文本支持方面將會(huì)進(jìn)一步改進(jìn)。
傳送門
最后，下面是TensorFlow官方提供的各類文檔資料教程鏈接：
TensorFlow博客原文
https://medium.com/tensorflow/introducing-tensorflow-datasets-c7f01f7e19f3
TensorFlow官方文檔
https://www.tensorflow.org/datasets
GitHub
https://github.com/tensorflow/datasets
Colab教程
https://colab.research.google.com/github/tensorflow/datasets/blob/master/docs/overview.ipynb
Enjoy yourself~
