快速入门

本快速入门面向准备深入代码、查看如何将 🤗 Datasets 集成到模型训练工作流中的开发者。如果您是初学者，建议从我们的教程开始，那里有更全面的介绍。

每个数据集都是独特的，具体任务可能要求对某些数据集执行额外的准备步骤才能用于训练。不过，你始终可以使用 🤗 Datasets 工具来加载和处理数据集。最快、最简单的入门方式是从 Hugging Face Hub 加载一个现有的数据集。这里有数千个数据集可供选择，涵盖多种任务。请选择你想要处理的数据集类型，让我们开始吧！

音频

对音频数据集进行重采样，使其准备好供模型分类说话者来电咨询的银行问题类型。

视觉

对图像数据集应用数据增强，使其准备好用于诊断豆类植物疾病的模型。

NLP

对数据集进行分词，使其准备好供模型判断一对句子是否具有相同含义。

查看 Hugging Face 课程的第 5 章，了解更多其他重要主题，例如加载远程或本地数据集、用于清理数据集的工具，以及创建自己的数据集。

首先安装 🤗 Datasets：

pip install datasets

🤗 Datasets 还支持音频和图像数据格式：

要处理音频数据集，请安装 Audio 功能：
```
pip install datasets[audio]
```
要处理图像数据集，请安装 Image 功能：
```
pip install datasets[vision]
```

除了 🤗 Datasets，请确保已安装您首选的机器学习框架：

Pytorch

Hide Pytorch content

bash pip install torch

TensorFlow

Hide TensorFlow content

bash pip install tensorflow

音频

音频数据集的加载方式与文本数据集相同。不过，音频数据集的预处理方式略有不同。您需要使用特征提取器，而不是分词器。音频输入可能还需要重采样其采样率，以匹配您所使用的预训练模型的采样率。在本快速入门中，您将准备MInDS-14数据集，用于训练一个模型，以分类客户遇到的银行问题。

1. 通过向 load_dataset() 函数提供数据集名称、数据集配置（并非所有数据集都有配置）和数据集拆分来加载 MInDS-14 数据集：

>>> from datasets import load_dataset, Audio

>>> dataset = load_dataset("PolyAI/minds14", "en-US", split="train")

2. 接下来，从 🤗 Transformers 库中加载预训练的 Wav2Vec2 模型及其对应的特征提取器。加载模型后看到关于某些权重未初始化的警告是完全正常的。这是预期行为，因为您正在加载该模型检查点以用于另一项任务的训练。

>>> from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

>>> model = AutoModelForAudioClassification.from_pretrained("facebook/wav2vec2-base")
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/wav2vec2-base")

3. MInDS-14 数据集卡片显示采样率为 8kHz，但 Wav2Vec2 模型是在 16kHz 采样率下预训练的。你需要使用 cast_column() 函数和 Audio 特征对上采样 audio 列，以匹配模型的采样率。

>>> dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
>>> dataset[0]["audio"]
<datasets.features._torchcodec.AudioDecoder object at 0x11642b6a0>

4. 创建一个函数，使用特征提取器对音频 array 进行预处理，并将序列截断和填充为整齐的矩形张量。需要记住的最重要的一点是，在特征提取器中调用音频 array，因为 array（即实际的语音信号）才是模型的输入。

一旦你拥有了预处理函数，就可以使用 map() 函数来加速处理，将该函数应用于数据集中的示例批次。

>>> def preprocess_function(examples):
...     audio_arrays = [x.get_all_samples().data for x in examples["audio"]]
...     inputs = feature_extractor(
...         audio_arrays,
...         sampling_rate=16000,
...         padding=True,
...         max_length=100000,
...         truncation=True,
...     )
...     return inputs

>>> dataset = dataset.map(preprocess_function, batched=True)

5. 使用 rename_column() 函数将 intent_class 列重命名为 labels，这是 Wav2Vec2ForSequenceClassification 中预期的输入名称：

>>> dataset = dataset.rename_column("intent_class", "labels")

6. 根据您使用的机器学习框架设置数据集格式。

Pytorch

Hide Pytorch content

使用 set_format() 函数将数据集格式设置为 torch，并指定要格式化的列。该函数会即时应用格式化。转换为 PyTorch 张量后，将数据集包装在 torch.utils.data.DataLoader 中：

>>> from torch.utils.data import DataLoader

>>> dataset.set_format(type="torch", columns=["input_values", "labels"])
>>> dataloader = DataLoader(dataset, batch_size=4)

TensorFlow

Hide TensorFlow content

使用 🤗 Transformers 中的 prepare_tf_dataset 方法来准备数据集，使其兼容 TensorFlow 并可直接用于训练/微调模型。该方法将 HuggingFace Dataset 封装为带有数据整理和批处理功能的 tf.data.Dataset，因此可以直接将其传递给 fit() 等 Keras 方法，而无需进一步修改。

>>> import tensorflow as tf

>>> tf_dataset = model.prepare_tf_dataset(
...     dataset,
...     batch_size=4,
...     shuffle=True,
... )

7. 使用你的机器学习框架开始训练！查看 🤗 Transformers 的音频分类指南，了解如何在音频数据集上端到端地训练模型。

视觉

图像数据集的加载方式与文本数据集相同。不过，你需要使用特征提取器来预处理数据集，而不是分词器。在计算机视觉中，对图像应用数据增强是常见做法，旨在提高模型对过拟合的鲁棒性。你可以自由选择任何数据增强库，然后通过 🤗 Datasets 应用这些增强操作。在本快速入门中，你将加载Beans数据集，并将其准备好供模型训练，以从叶片图像中识别病害。

1. 通过向 load_dataset() 函数提供数据集名称和数据集拆分来加载 Beans 数据集：

>>> from datasets import load_dataset, Image

>>> dataset = load_dataset("AI-Lab-Makerere/beans", split="train")

大多数图像模型处理的是 RGB 图像。如果您的数据集中包含其他模式的图像，可以使用 cast_column() 函数将模式设置为 RGB：

>>> dataset = dataset.cast_column("image", Image(mode="RGB"))

Beans 数据集仅包含 RGB 图像，因此此处无需执行此步骤。

2. 现在你可以使用任意库（Albumentations、imgaug、Kornia）添加一些数据增强。这里，你将使用 torchvision 来随机更改图像的颜色属性：

>>> from torchvision.transforms import Compose, ColorJitter, ToTensor

>>> jitter = Compose(
...     [ColorJitter(brightness=0.5, hue=0.5), ToTensor()]
... )

3. 创建一个函数，将你的转换应用于数据集并生成模型输入：pixel_values。

>>> def transforms(examples):
...     examples["pixel_values"] = [jitter(image.convert("RGB")) for image in examples["image"]]
...     return examples

4. 使用 with_transform() 函数实时应用数据增强：

>>> dataset = dataset.with_transform(transforms)

5. 根据您使用的机器学习框架设置数据集格式。

Pytorch

Hide Pytorch content

将数据集包装在 torch.utils.data.DataLoader 中。您还需要创建一个 collate 函数，将样本整理成批次：

>>> from torch.utils.data import DataLoader

>>> def collate_fn(examples):
...     images = []
...     labels = []
...     for example in examples:
...         images.append((example["pixel_values"]))
...         labels.append(example["labels"])
...
...     pixel_values = torch.stack(images)
...     labels = torch.tensor(labels)
...     return {"pixel_values": pixel_values, "labels": labels}
>>> dataloader = DataLoader(dataset, collate_fn=collate_fn, batch_size=4)

TensorFlow

Hide TensorFlow content

在开始之前，请确保已安装最新版本的 albumentations 和 cv2：

pip install -U albumentations opencv-python

>>> import albumentations
>>> import numpy as np

>>> transform = albumentations.Compose([
...     albumentations.RandomCrop(width=256, height=256),
...     albumentations.HorizontalFlip(p=0.5),
...     albumentations.RandomBrightnessContrast(p=0.2),
... ])

>>> def transforms(examples):
...     examples["pixel_values"] = [
...         transform(image=np.array(image))["image"] for image in examples["image"]
...     ]
...     return examples

>>> dataset.set_transform(transforms)
>>> tf_dataset = model.prepare_tf_dataset(
...     dataset,
...     batch_size=4,
...     shuffle=True,
... )

6. 使用你的机器学习框架开始训练！查看 🤗 Transformers 的图像分类指南，了解如何在图像数据集上端到端地训练模型。

NLP

文本需要通过 tokenizer 分词为单个 token。在快速入门中，你将加载 Microsoft Research Paraphrase Corpus (MRPC) 训练数据集，以训练一个模型来判断一对句子是否具有相同的含义。

1. 通过向 load_dataset() 函数提供数据集名称、数据集配置（并非所有数据集都有配置）和数据集拆分来加载 MRPC 数据集：

>>> from datasets import load_dataset

>>> dataset = load_dataset("nyu-mll/glue", "mrpc", split="train")

2. 接下来，从 🤗 Transformers 库中加载预训练的 BERT 模型及其对应的分词器。加载模型后看到关于某些权重未初始化的警告是完全正常的。这是预期行为，因为您正在加载该模型检查点以用于另一项任务的训练。


>>> from transformers import AutoModelForSequenceClassification, AutoTokenizer

>>> model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
>>> tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

3. 创建一个用于对数据集进行分词（tokenize）的函数，同时应将文本截断并填充为整齐的矩形张量。分词器会在数据集中生成三个新列：input_ids、token_type_ids 和 attention_mask。这些就是模型的输入。

使用 map() 函数，将分词函数应用于数据集中的示例批次，以加快处理速度：

>>> def encode(examples):
...     return tokenizer(examples["sentence1"], examples["sentence2"], truncation=True, padding="max_length")

>>> dataset = dataset.map(encode, batched=True)
>>> dataset[0]
{'sentence1': 'Amrozi accused his brother , whom he called " the witness " , of deliberately distorting his evidence .',
'sentence2': 'Referring to him as only " the witness " , Amrozi accused his brother of deliberately distorting his evidence .',
'label': 1,
'idx': 0,
'input_ids': [  101,  7277,  2180,  5303,  4806,  1117,  1711,   117,  2292, 1119,  1270,   107,  1103,  7737,   107,   117,  1104,  9938, 4267, 12223, 21811,  1117,  2554,   119,   102, 11336,  6732, 3384,  1106,  1140,  1112,  1178,   107,  1103,  7737,   107, 117,  7277,  2180,  5303,  4806,  1117,  1711,  1104,  9938, 4267, 12223, 21811,  1117,  2554,   119,   102, 0, 0, ...],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, ...],
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, ...]}

4. 将 label 列重命名为 labels，这是 BertForSequenceClassification 中预期的输入名称：

>>> dataset = dataset.map(lambda examples: {"labels": examples["label"]}, batched=True)

5. 根据您使用的机器学习框架设置数据集格式。

Pytorch

Hide Pytorch content

使用 with_format() 函数将数据集格式设置为 torch，并指定要格式化的列。该函数会即时应用格式化。转换为 PyTorch 张量后，将数据集包装在 torch.utils.data.DataLoader 中：

>>> import torch

>>> dataset = dataset.select_columns(["input_ids", "token_type_ids", "attention_mask", "labels"])
>>> dataset = dataset.with_format(type="torch")
>>> dataloader = torch.utils.data.DataLoader(dataset, batch_size=32)

TensorFlow

Hide TensorFlow content

>>> import tensorflow as tf

>>> tf_dataset = model.prepare_tf_dataset(
...     dataset,
...     batch_size=4,
...     shuffle=True,
... )

6. 使用你的机器学习框架开始训练！查看 🤗 Transformers 的文本分类指南，了解如何在文本数据集上训练模型的端到端示例。

接下来是什么？

至此，🤗 Datasets 快速入门就完成了！你可以通过一个函数加载任何文本、音频或图像数据集，并使其准备好供模型训练使用。

作为下一步，请查看我们的操作指南，学习如何执行更具体的任务，例如加载不同的数据集格式、对齐标签以及流式处理大型数据集。如果你想进一步了解 🤗 Datasets 的核心概念，不妨泡杯咖啡，阅读我们的概念指南！

Update on GitHub