Aprenda o que há de mais recente em aprendizado de máquina, IA generativa e muito mais no WiML Symposium 2023 Registre-se

Esta página foi traduzida pela API Cloud Translation.

Escrevendo conjuntos de dados personalizados

Siga este guia para criar um novo conjunto de dados (no TFDS ou em seu próprio repositório).

Verifique nossa lista de conjuntos de dados para ver se o conjunto de dados que você deseja já está presente.

TL;DR

A maneira mais fácil de escrever um novo conjunto de dados é usar o TFDS CLI :

cd path/to/my/project/datasets/
tfds new my_dataset  # Create `my_dataset/my_dataset.py` template files
# [...] Manually modify `my_dataset/my_dataset_dataset_builder.py` to implement your dataset.
cd my_dataset/
tfds build  # Download and prepare the dataset to `~/tensorflow_datasets/`

Para usar o novo conjunto de dados com tfds.load('my_dataset') :

tfds.load detectará e carregará automaticamente o conjunto de dados gerado em ~/tensorflow_datasets/my_dataset/ (por exemplo, por tfds build ).
Como alternativa, você pode import my.project.datasets.my_dataset para registrar seu conjunto de dados:

import my.project.datasets.my_dataset  # Register `my_dataset`

ds = tfds.load('my_dataset')  # `my_dataset` registered

Visão geral

Os conjuntos de dados são distribuídos em todos os tipos de formatos e em todos os tipos de lugares, e nem sempre são armazenados em um formato pronto para alimentar um pipeline de aprendizado de máquina. Digite TFDS.

O TFDS processa esses conjuntos de dados em um formato padrão (dados externos -> arquivos serializados), que podem ser carregados como pipeline de aprendizado de máquina (arquivos serializados -> tf.data.Dataset ). A serialização é feita apenas uma vez. O acesso subsequente lerá diretamente esses arquivos pré-processados.

A maior parte do pré-processamento é feita automaticamente. Cada conjunto de dados implementa uma subclasse de tfds.core.DatasetBuilder , que especifica:

De onde vêm os dados (ou seja, suas URLs);
A aparência do conjunto de dados (ou seja, seus recursos);
Como os dados devem ser divididos (por exemplo, TRAIN e TEST );
e os exemplos individuais no conjunto de dados.

Escreva seu conjunto de dados

Modelo padrão: `tfds new`

Use TFDS CLI para gerar os arquivos python de modelo necessários.

cd path/to/project/datasets/  # Or use `--dir=path/to/project/datasets/` below
tfds new my_dataset

Este comando irá gerar uma nova pasta my_dataset/ com a seguinte estrutura:

my_dataset/
    __init__.py
    README.md # Markdown description of the dataset.
    CITATIONS.bib # Bibtex citation for the dataset.
    TAGS.txt # List of tags describing the dataset.
    my_dataset_dataset_builder.py # Dataset definition
    my_dataset_dataset_builder_test.py # Test
    dummy_data/ # (optional) Fake data (used for testing)
    checksum.tsv # (optional) URL checksums (see `checksums` section).

Pesquise TODO(my_dataset) aqui e modifique de acordo.

Exemplo de conjunto de dados

Todos os conjuntos de dados são subclasses implementadas de tfds.core.DatasetBuilder , que cuida da maioria dos clichês. Ele suporta:

Conjuntos de dados pequenos/médios que podem ser gerados em uma única máquina (este tutorial).
Conjuntos de dados muito grandes que requerem geração distribuída (usando o Apache Beam , consulte nosso guia de conjuntos de dados enormes )

Aqui está um exemplo mínimo de um construtor de conjunto de dados baseado em tfds.core.GeneratorBasedBuilder :

class Builder(tfds.core.GeneratorBasedBuilder):
  """DatasetBuilder for my_dataset dataset."""

  VERSION = tfds.core.Version('1.0.0')
  RELEASE_NOTES = {
      '1.0.0': 'Initial release.',
  }

  def _info(self) -> tfds.core.DatasetInfo:
    """Dataset metadata (homepage, citation,...)."""
    return self.dataset_info_from_configs(
        features=tfds.features.FeaturesDict({
            'image': tfds.features.Image(shape=(256, 256, 3)),
            'label': tfds.features.ClassLabel(
                names=['no', 'yes'],
                doc='Whether this is a picture of a cat'),
        }),
    )

  def _split_generators(self, dl_manager: tfds.download.DownloadManager):
    """Download the data and define splits."""
    extracted_path = dl_manager.download_and_extract('http://data.org/data.zip')
    # dl_manager returns pathlib-like objects with `path.read_text()`,
    # `path.iterdir()`,...
    return {
        'train': self._generate_examples(path=extracted_path / 'train_images'),
        'test': self._generate_examples(path=extracted_path / 'test_images'),
    }

  def _generate_examples(self, path) -> Iterator[Tuple[Key, Example]]:
    """Generator of examples for each split."""
    for img_path in path.glob('*.jpeg'):
      # Yields (key, example)
      yield img_path.name, {
          'image': img_path,
          'label': 'yes' if img_path.name.startswith('yes_') else 'no',
      }

Observe que, para alguns formatos de dados específicos, fornecemos criadores de conjunto de dados prontos para uso para cuidar da maior parte do processamento de dados.

Vamos ver em detalhes os 3 métodos abstratos para sobrescrever.

`_info` : metadados do conjunto de dados

_info retorna o tfds.core.DatasetInfo contendo os metadados do conjunto de dados .

def _info(self):
  # The `dataset_info_from_configs` base method will construct the
  # `tfds.core.DatasetInfo` object using the passed-in parameters and
  # adding: builder (self), description/citations/tags from the config
  # files located in the same package.
  return self.dataset_info_from_configs(
      homepage='https://dataset-homepage.org',
      features=tfds.features.FeaturesDict({
          'image_description': tfds.features.Text(),
          'image': tfds.features.Image(),
          # Here, 'label' can be 0-4.
          'label': tfds.features.ClassLabel(num_classes=5),
      }),
      # If there's a common `(input, target)` tuple from the features,
      # specify them here. They'll be used if as_supervised=True in
      # builder.as_dataset.
      supervised_keys=('image', 'label'),
      # Specify whether to disable shuffling on the examples. Set to False by default.
      disable_shuffling=False,
  )

A maioria dos campos deve ser autoexplicativa. Algumas precisões:

features : Especifica a estrutura do conjunto de dados, forma,... Suporta tipos de dados complexos (áudio, vídeo, sequências aninhadas,...). Consulte os recursos disponíveis ou o guia do conector de recursos para obter mais informações.
disable_shuffling : Consulte a seção Manter a ordem do conjunto de dados .

Escrevendo o arquivo BibText CITATIONS.bib :

Pesquise no site do conjunto de dados as instruções de citação (use-as no formato BibTex).
Para papéis arXiv : encontre o papel e clique no link BibText no lado direito.
Encontre o artigo no Google Scholar e clique nas aspas duplas abaixo do título e, no pop-up, clique em BibTeX .
Se não houver papel associado (por exemplo, há apenas um site), você pode usar o BibTeX Online Editor para criar uma entrada BibTeX personalizada (o menu suspenso tem um tipo de entrada Online ).

Atualizando o arquivo TAGS.txt :

Todas as tags permitidas são pré-preenchidas no arquivo gerado.
Remova todas as tags que não se aplicam ao conjunto de dados.
As tags válidas são listadas em tensorflow_datasets/core/valid_tags.txt .
Para adicionar uma tag a essa lista, envie um PR.

Manter a ordem do conjunto de dados

Por padrão, os registros dos conjuntos de dados são embaralhados quando armazenados para tornar a distribuição das classes mais uniforme no conjunto de dados, pois muitas vezes os registros pertencentes a uma mesma classe são contíguos. Para especificar que o conjunto de dados deve ser classificado pela chave gerada fornecida por _generate_examples , o campo disable_shuffling deve ser definido como True . Por padrão, ele é definido como False .

def _info(self):
  return self.dataset_info_from_configs(
    # [...]
    disable_shuffling=True,
    # [...]
  )

Lembre-se de que desativar o embaralhamento afeta o desempenho, pois os fragmentos não podem mais ser lidos em paralelo.

`_split_generators` : baixa e divide dados

Baixando e extraindo dados de origem

A maioria dos conjuntos de dados precisa baixar dados da web. Isso é feito usando o argumento de entrada tfds.download.DownloadManager de _split_generators . dl_manager tem os seguintes métodos:

download : suporta http(s):// , ftp(s)://
extract : atualmente oferece suporte a arquivos .zip , .gz e .tar .
download_and_extract : O mesmo que dl_manager.extract(dl_manager.download(urls))

Todos esses métodos retornam tfds.core.Path (aliases para epath.Path ), que são objetos parecidos com pathlib.Path .

Esses métodos suportam estrutura aninhada arbitrária ( list , dict ), como:

extracted_paths = dl_manager.download_and_extract({
    'foo': 'https://example.com/foo.zip',
    'bar': 'https://example.com/bar.zip',
})
# This returns:
assert extracted_paths == {
    'foo': Path('/path/to/extracted_foo/'),
    'bar': Path('/path/extracted_bar/'),
}

Download e extração manuais

Alguns dados não podem ser baixados automaticamente (por exemplo, requerem um login), neste caso, o usuário irá baixar manualmente os dados de origem e colocá-los em manual_dir/ (o padrão é ~/tensorflow_datasets/downloads/manual/ ).

Os arquivos podem ser acessados por meio de dl_manager.manual_dir :

class MyDataset(tfds.core.GeneratorBasedBuilder):

  MANUAL_DOWNLOAD_INSTRUCTIONS = """
  Register into https://example.org/login to get the data. Place the `data.zip`
  file in the `manual_dir/`.
  """

  def _split_generators(self, dl_manager):
    # data_path is a pathlib-like `Path('<manual_dir>/data.zip')`
    archive_path = dl_manager.manual_dir / 'data.zip'
    # Extract the manually downloaded `data.zip`
    extracted_path = dl_manager.extract(archive_path)
    ...

A localização manual_dir pode ser personalizada com tfds build --manual_dir= ou usando tfds.download.DownloadConfig .

Ler arquivo diretamente

dl_manager.iter_archive lê um arquivo sequencialmente sem extraí-los. Isso pode economizar espaço de armazenamento e melhorar o desempenho em alguns sistemas de arquivos.

for filename, fobj in dl_manager.iter_archive('path/to/archive.zip'):
  ...

fobj tem os mesmos métodos with open('rb') as fobj: (por exemplo, fobj.read() )

Especificando divisões de conjuntos de dados

Se o conjunto de dados vier com divisões predefinidas (por exemplo, MNIST tem divisões de train e test ), mantenha-as. Caso contrário, especifique apenas uma única divisão all . Os usuários podem criar dinamicamente suas próprias subdivisões com a API de subdivisão (por exemplo split='train[80%:]' ). Observe que qualquer sequência alfabética pode ser usada como nome de divisão, além do mencionado acima all .

def _split_generators(self, dl_manager):
  # Download source data
  extracted_path = dl_manager.download_and_extract(...)

  # Specify the splits
  return {
      'train': self._generate_examples(
          images_path=extracted_path / 'train_imgs',
          label_path=extracted_path / 'train_labels.csv',
      ),
      'test': self._generate_examples(
          images_path=extracted_path / 'test_imgs',
          label_path=extracted_path / 'test_labels.csv',
      ),
  }

`_generate_examples` : Gerador de exemplo

_generate_examples gera os exemplos para cada divisão a partir dos dados de origem.

Este método normalmente lerá artefatos do conjunto de dados de origem (por exemplo, um arquivo CSV) e renderá tuplas (key, feature_dict) :

key : identificador de exemplo. Usado para embaralhar de forma determinística os exemplos usando hash(key) ou para classificar por chave quando o embaralhamento está desabilitado (consulte a seção Manter a ordem do conjunto de dados ). Deveria estar:
- unique : Se dois exemplos usarem a mesma chave, uma exceção será levantada.
- deterministic : Não deve depender de download_dir , ordem os.path.listdir ,... Gerar os dados duas vezes deve gerar a mesma chave.
- comparável : se o embaralhamento estiver desabilitado, a chave será usada para classificar o conjunto de dados.
feature_dict : Um dict contendo os valores de exemplo.
- A estrutura deve corresponder à estrutura features= definida em tfds.core.DatasetInfo .
- Tipos de dados complexos (imagem, vídeo, áudio,...) serão codificados automaticamente.
- Cada recurso geralmente aceita vários tipos de entrada (por exemplo, vídeo aceita /path/to/vid.mp4 , np.array(shape=(l, h, w, c)) , List[paths] , List[np.array(shape=(h, w, c)] , List[img_bytes] ,...)
- Consulte o guia do conector de recursos para obter mais informações.

def _generate_examples(self, images_path, label_path):
  # Read the input data out of the source files
  with label_path.open() as f:
    for row in csv.DictReader(f):
      image_id = row['image_id']
      # And yield (key, feature_dict)
      yield image_id, {
          'image_description': row['description'],
          'image': images_path / f'{image_id}.jpeg',
          'label': row['label'],
      }

Acesso a arquivos e `tf.io.gfile`

Para dar suporte aos sistemas de armazenamento em nuvem, evite o uso das operações de E/S integradas do Python.

Em vez disso, o dl_manager retorna objetos do tipo pathlib diretamente compatíveis com o armazenamento do Google Cloud:

path = dl_manager.download_and_extract('http://some-website/my_data.zip')

json_path = path / 'data/file.json'

json.loads(json_path.read_text())

Como alternativa, use a API tf.io.gfile em vez de integrada para operações de arquivo:

open -> tf.io.gfile.GFile
os.rename -> tf.io.gfile.rename
...

Pathlib deve ser preferido a tf.io.gfile (consulte o arquivo .

dependências extras

Alguns conjuntos de dados requerem dependências adicionais do Python apenas durante a geração. Por exemplo, o conjunto de dados SVHN usa scipy para carregar alguns dados.

Se você estiver adicionando um conjunto de dados ao repositório TFDS, use tfds.core.lazy_imports para manter o pacote tensorflow-datasets pequeno. Os usuários instalarão dependências adicionais somente conforme necessário.

Para usar lazy_imports :

Adicione uma entrada para seu conjunto de dados em DATASET_EXTRAS em setup.py . Isso faz com que os usuários possam fazer, por exemplo, pip install 'tensorflow-datasets[svhn]' para instalar as dependências extras.
Adicione uma entrada para sua importação para LazyImporter e LazyImportsTest .
Use tfds.core.lazy_imports para acessar a dependência (por exemplo, tfds.core.lazy_imports.scipy ) em seu DatasetBuilder .

Dados corrompidos

Alguns conjuntos de dados não estão perfeitamente limpos e contêm alguns dados corrompidos (por exemplo, as imagens estão em arquivos JPEG, mas algumas são JPEG inválido). Esses exemplos devem ser ignorados, mas deixe uma nota na descrição do conjunto de dados quantos exemplos foram descartados e por quê.

Configuração/variantes do conjunto de dados (tfds.core.BuilderConfig)

Alguns conjuntos de dados podem ter várias variantes ou opções de como os dados são pré-processados e gravados no disco. Por exemplo, cycle_gan tem uma configuração por pares de objetos ( cycle_gan/horse2zebra , cycle_gan/monet2photo ,...).

Isso é feito por meio de tfds.core.BuilderConfig s:

Defina seu objeto de configuração como uma subclasse de tfds.core.BuilderConfig . Por exemplo, MyDatasetConfig .
```
@dataclasses.dataclass
class MyDatasetConfig(tfds.core.BuilderConfig):
  img_size: Tuple[int, int] = (0, 0)
```
Observação: os valores padrão são necessários devido a https://bugs.python.org/issue33129

Defina o membro de classe BUILDER_CONFIGS = [] em MyDataset que lista MyDatasetConfig s que o conjunto de dados expõe.

class MyDataset(tfds.core.GeneratorBasedBuilder):
  VERSION = tfds.core.Version('1.0.0')
  # pytype: disable=wrong-keyword-args
  BUILDER_CONFIGS = [
      # `name` (and optionally `description`) are required for each config
      MyDatasetConfig(name='small', description='Small ...', img_size=(8, 8)),
      MyDatasetConfig(name='big', description='Big ...', img_size=(32, 32)),
  ]
  # pytype: enable=wrong-keyword-args

Use self.builder_config em MyDataset para configurar a geração de dados (por exemplo, shape=self.builder_config.img_size ). Isso pode incluir definir valores diferentes em _info() ou alterar o acesso aos dados de download.

Notas:

Cada configuração tem um nome exclusivo. O nome totalmente qualificado de uma configuração é dataset_name/config_name (por exemplo, coco/2017 ).
Se não for especificado, a primeira configuração em BUILDER_CONFIGS será usada (por exemplo tfds.load('c4') padrão para c4/en )

Consulte anli para obter um exemplo de conjunto de dados que usa BuilderConfig s.

Versão

Versão pode se referir a dois significados diferentes:

A versão de dados original "externa": por exemplo, COCO v2019, v2017,...
A versão "interna" do código TFDS: por exemplo, renomear um recurso em tfds.features.FeaturesDict , corrigir um bug em _generate_examples

Para atualizar um conjunto de dados:

Para atualização de dados "externos": Vários usuários podem querer acessar um ano/versão específico simultaneamente. Isso é feito usando um tfds.core.BuilderConfig por versão (por exemplo, coco/2017 , coco/2019 ) ou uma classe por versão (por exemplo, Voc2007 , Voc2012 ).
Para atualização de código "interno": Os usuários baixam apenas a versão mais recente. Qualquer atualização de código deve aumentar o atributo de classe VERSION (por exemplo, de 1.0.0 para VERSION = tfds.core.Version('2.0.0') ) seguindo o versionamento semântico .

Adicionar uma importação para registro

Não se esqueça de importar o módulo dataset para seu projeto __init__ para ser registrado automaticamente em tfds.load , tfds.builder .

import my_project.datasets.my_dataset  # Register MyDataset

ds = tfds.load('my_dataset')  # MyDataset available

Por exemplo, se você estiver contribuindo para tensorflow/datasets , adicione o módulo import ao __init__.py de seu subdiretório (por exemplo image/__init__.py .

Verifique se há truques de implementação comuns

Por favor, verifique as dicas de implementação comuns .

Teste seu conjunto de dados

Baixe e prepare: `tfds build`

Para gerar o conjunto de dados, execute tfds build no diretório my_dataset/ :

cd path/to/datasets/my_dataset/
tfds build --register_checksums

Alguns sinalizadores úteis para o desenvolvimento:

--pdb : Entra no modo de depuração se uma exceção for gerada.
--overwrite : Exclua os arquivos existentes se o conjunto de dados já tiver sido gerado.
--max_examples_per_split : Gera apenas os primeiros X exemplos (o padrão é 1), em vez do conjunto de dados completo.
--register_checksums : registra as somas de verificação dos URLs baixados. Só deve ser usado durante o desenvolvimento.

Consulte a documentação da CLI para obter uma lista completa de sinalizadores.

somas de verificação

Recomenda-se registrar as somas de verificação de seus conjuntos de dados para garantir o determinismo, ajudar na documentação,... Isso é feito gerando o conjunto de dados com --register_checksums (consulte a seção anterior).

Se você estiver liberando seus conjuntos de dados por meio do PyPI, não se esqueça de exportar os arquivos checksums.tsv (por exemplo, no package_data do seu setup.py ).

Teste de unidade seu conjunto de dados

tfds.testing.DatasetBuilderTestCase é um TestCase básico para exercitar totalmente um conjunto de dados. Ele usa "dados fictícios" como dados de teste que imitam a estrutura do conjunto de dados de origem.

Os dados de teste devem ser colocados no diretório my_dataset/dummy_data/ e devem imitar os artefatos do conjunto de dados de origem conforme baixados e extraídos. Pode ser criado manualmente ou automaticamente com um script ( script de exemplo ).
Certifique-se de usar dados diferentes em suas divisões de dados de teste, pois o teste falhará se as divisões do conjunto de dados se sobrepuserem.
Os dados de teste não devem conter nenhum material protegido por direitos autorais . Em caso de dúvida, não crie os dados usando material do conjunto de dados original.

import tensorflow_datasets as tfds
from . import my_dataset_dataset_builder


class MyDatasetTest(tfds.testing.DatasetBuilderTestCase):
  """Tests for my_dataset dataset."""
  DATASET_CLASS = my_dataset_dataset_builder.Builder
  SPLITS = {
      'train': 3,  # Number of fake train example
      'test': 1,  # Number of fake test example
  }

  # If you are calling `download/download_and_extract` with a dict, like:
  #   dl_manager.download({'some_key': 'http://a.org/out.txt', ...})
  # then the tests needs to provide the fake output paths relative to the
  # fake data directory
  DL_EXTRACT_RESULT = {
      'name1': 'path/to/file1',  # Relative to my_dataset/dummy_data dir.
      'name2': 'file2',
  }


if __name__ == '__main__':
  tfds.testing.test_main()

Execute o seguinte comando para testar o conjunto de dados.

python my_dataset_test.py

Envie-nos comentários

Estamos continuamente tentando melhorar o fluxo de trabalho de criação do conjunto de dados, mas só podemos fazer isso se estivermos cientes dos problemas. Quais problemas ou erros você encontrou ao criar o conjunto de dados? Houve alguma parte que foi confusa ou não funcionou na primeira vez?

Por favor, compartilhe seus comentários no GitHub .