분할 및 슬라이싱

모든 TFDS 데이터세트는 카탈로그 에서 탐색할 수 있는 다양한 데이터 분할(예: 'train' , 'test' )을 노출합니다. all (모든 분할의 통합에 해당하는 예약어임)을 제외하고 모든 알파벳 문자열을 분할 이름으로 사용할 수 있습니다. 아래 참조.

"공식" 데이터세트 분할 외에도 TFDS에서는 분할 조각과 다양한 조합을 선택할 수 있습니다.

슬라이싱 API

슬라이싱 지침은 tfds.load 또는 tfds.DatasetBuilder.as_dataset 에서 split= kwarg를 통해 지정됩니다.

ds = tfds.load('my_dataset', split='train[:75%]')

builder = tfds.builder('my_dataset')
ds = builder.as_dataset(split='test+train[:75%]')

분할은 다음과 같습니다.

일반 분할 이름 ( 'train' , 'test' , ...와 같은 문자열): 선택된 분할 내의 모든 예입니다.
슬라이스 : 슬라이스는 파이썬 슬라이스 표기법 과 동일한 의미를 갖습니다. 슬라이스는 다음과 같습니다.
- 절대 ( 'train[123:450]' , train[:4000] ): (읽기 순서에 대한 주의 사항은 아래 참고 사항을 참조하세요)
- 백분율 ( 'train[:75%]' , 'train[25%:75%]' ): 전체 데이터를 짝수 조각으로 나눕니다. 데이터를 균등하게 나눌 수 없는 경우 일부 퍼센트에 추가 예가 포함될 수 있습니다. 분수 백분율이 지원됩니다.
- 샤드 ( train[:4shard] , train[4shard] ): 요청된 샤드의 모든 예를 선택합니다. (분할 샤드 수를 확인하려면 info.splits['train'].num_shards 참조)
분할 통합 ( 'train+test' , 'train[:25%]+test' ): 분할이 함께 인터리브됩니다.
전체 데이터 세트 ( 'all' ): 'all' 모든 분할의 통합에 해당하는 특수 분할 이름입니다( 'train+test+...' 와 동일).
분할 목록 ( ['train', 'test'] ): 여러 tf.data.Dataset 개별적으로 반환됩니다.

# Returns both train and test split separately
train_ds, test_ds = tfds.load('mnist', split=['train', 'test[:50%]'])

`tfds.even_splits` 및 다중 호스트 교육

tfds.even_splits 동일한 크기의 겹치지 않는 하위 분할 목록을 생성합니다.

# Divide the dataset into 3 even parts, each containing 1/3 of the data
split0, split1, split2 = tfds.even_splits('train', n=3)

ds = tfds.load('my_dataset', split=split2)

이는 각 호스트가 원본 데이터 조각을 수신해야 하는 분산 설정에서 교육할 때 특히 유용할 수 있습니다.

Jax 사용하면 tfds.split_for_jax_process 사용하여 이를 더욱 단순화할 수 있습니다.

split = tfds.split_for_jax_process('train', drop_remainder=True)
ds = tfds.load('my_dataset', split=split)

tfds.split_for_jax_process 는 다음에 대한 간단한 별칭입니다.

# The current `process_index` loads only `1 / process_count` of the data.
splits = tfds.even_splits('train', n=jax.process_count(), drop_remainder=True)
split = splits[jax.process_index()]

tfds.even_splits , tfds.split_for_jax_process 모든 분할 값을 입력으로 허용합니다(예: 'train[75%:]+test' ).

슬라이싱 및 메타데이터

데이터 세트 info를 사용하여 분할/하위 분할( num_examples , file_instructions ,...)에 대한 추가 정보를 얻을 수 있습니다.

builder = tfds.builder('my_dataset')
builder.info.splits['train'].num_examples  # 10_000
builder.info.splits['train[:75%]'].num_examples  # 7_500 (also works with slices)
builder.info.splits.keys()  # ['train', 'test']

교차 검증

문자열 API를 사용한 10겹 교차 검증의 예:

vals_ds = tfds.load('mnist', split=[
    f'train[{k}%:{k+10}%]' for k in range(0, 100, 10)
])
trains_ds = tfds.load('mnist', split=[
    f'train[:{k}%]+train[{k+10}%:]' for k in range(0, 100, 10)
])

검증 데이터 세트는 각각 10%: [0%:10%] , [10%:20%] , ..., [90%:100%] 입니다. 그리고 훈련 데이터 세트는 각각 보완적인 90%가 될 것입니다: [10%:100%] (해당 검증 세트 [0%:10%] 의 경우), `[0%:10%]

[20%:100%] (for a validation set of ),...

`tfds.core.ReadInstruction` 및 반올림

str 대신 tfds.core.ReadInstruction 으로 분할을 전달하는 것이 가능합니다.

예를 들어, split = 'train[50%:75%] + test' 는 다음과 동일합니다.

split = (
    tfds.core.ReadInstruction(
        'train',
        from_=50,
        to=75,
        unit='%',
    )
    + tfds.core.ReadInstruction('test')
)
ds = tfds.load('my_dataset', split=split)

unit 는 다음과 같습니다.

abs : 절대 슬라이싱
% : 퍼센트 슬라이스
shard : 샤드 슬라이싱

tfds.ReadInstruction 에는 반올림 인수도 있습니다. 데이터 세트의 예시 수가 균등하게 나누어지지 않은 경우:

rounding='closest' (기본값): 나머지 예는 백분율에 분산되므로 일부 백분율에는 추가 예가 포함될 수 있습니다.
rounding='pct1_dropremainder' : 나머지 예제는 삭제되지만 이는 모든 퍼센트에 정확히 동일한 수의 예제가 포함된다는 것을 보장합니다(예: len(5%) == 5 * len(1%) ).

재현성 및 결정성

생성 중에 특정 데이터 세트 버전에 대해 TFDS는 예제가 디스크에서 결정론적으로 섞이도록 보장합니다. 따라서 데이터 세트를 두 번(2대의 다른 컴퓨터에서) 생성해도 예제 순서는 변경되지 않습니다.

마찬가지로 하위 분할 API는 플랫폼, 아키텍처 등에 관계없이 항상 동일한 예제 set 를 선택합니다. 이는 set('train[:20%]') == set('train[:10%]') + set('train[10%:20%]') 의미합니다. set('train[:20%]') == set('train[:10%]') + set('train[10%:20%]') .

그러나 예제를 읽는 순서는 결정적 이지 않을 수 있습니다. 이는 다른 매개변수(예: shuffle_files=True 여부)에 따라 다릅니다.