数据集和可迭代数据集的区别

有两种类型的数据集对象，数据集和可迭代数据集。您选择使用或创建哪种类型的数据集取决于数据集的大小。通常，可迭代数据集非常适合大型数据集（想想数百 GB！），因为它具有延迟行为和速度优势，而数据集非常适合其他所有情况。此页面将比较数据集和可迭代数据集之间的区别，以帮助您选择适合您的数据集对象。

下载和流式传输

当你拥有一个常规的 Dataset 时，你可以使用 my_dataset[0] 访问它。这提供了对行的随机访问。此类数据集也称为“映射式”数据集。例如，你可以像这样下载 ImageNet-1k 并访问任意一行

from datasets import load_dataset

imagenet = load_dataset("imagenet-1k", split="train")  # downloads the full dataset
print(imagenet[0])

但需要注意的是，你必须将整个数据集存储在磁盘或内存中，这会阻止你访问大于磁盘的数据集。因为它对于大型数据集来说可能变得不方便，所以存在另一种类型的数据集，即 IterableDataset。当你拥有一个 IterableDataset 时，你可以使用 for 循环访问它，以便在迭代数据集时逐步加载数据。这样，只有少量示例加载到内存中，并且你不会在磁盘上写入任何内容。

例如，你可以流式传输 ImageNet-1k 数据集，而无需将其下载到磁盘

from datasets import load_dataset

imagenet = load_dataset("imagenet-1k", split="train", streaming=True)  # will start loading the data when iterated over
for example in imagenet:
    print(example)
    break

流式传输可以读取在线数据，而无需将任何文件写入磁盘。例如，你可以流式传输由多个分片组成的数据集，每个分片都有数百 GB 大小，例如 C4、OSCAR 或 LAION-2B。在数据集流式传输指南中了解有关如何流式传输数据集的更多信息。

但这并不是唯一的区别，因为 IterableDataset 的“惰性”行为在数据集创建和处理方面也存在。

创建映射式数据集和可迭代数据集

你可以使用列表或字典创建一个 Dataset，并且数据完全转换为 Arrow 格式，以便你可以轻松访问任何行

my_dataset = Dataset.from_dict({"col_1": [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]})
print(my_dataset[0])

另一方面，要创建 IterableDataset，你必须提供一种“惰性”的方式来加载数据。在 Python 中，我们通常使用生成器函数。这些函数每次 yield 一个示例，这意味着你无法像常规 Dataset 那样通过切片来访问一行

def my_generator(n):
    for i in range(n):
        yield {"col_1": i}

my_iterable_dataset = IterableDataset.from_generator(my_generator, gen_kwargs={"n": 10})
for example in my_iterable_dataset:
    print(example)
    break

完全和逐步加载本地文件

可以使用 load_dataset() 将本地或远程数据文件转换为 Arrow Dataset

data_files = {"train": ["path/to/data.csv"]}
my_dataset = load_dataset("csv", data_files=data_files, split="train")
print(my_dataset[0])

但是，这需要从 CSV 到 Arrow 格式的转换步骤，如果你的数据集很大，则需要时间和磁盘空间。

为了节省磁盘空间并跳过转换步骤，你可以通过直接从本地文件流式传输来定义 IterableDataset。这样，数据就会在迭代数据集时逐步从本地文件读取

data_files = {"train": ["path/to/data.csv"]}
my_iterable_dataset = load_dataset("csv", data_files=data_files, split="train", streaming=True)
for example in my_iterable_dataset:  # this reads the CSV file progressively as you iterate over the dataset
    print(example)
    break

支持许多文件格式，例如 CSV、JSONL 和 Parquet，以及图像和音频文件。你可以在加载表格、文本、视觉和音频数据集的相应指南中找到更多信息。

急切数据处理和惰性数据处理

当你使用 Dataset.map() 处理 Dataset 对象时，整个数据集会立即处理并返回。这类似于例如 pandas 的工作方式。

my_dataset = my_dataset.map(process_fn)  # process_fn is applied on all the examples of the dataset
print(my_dataset[0])

另一方面，由于 IterableDataset 的“惰性”特性，调用 IterableDataset.map() 不会将你的 map 函数应用于整个数据集。相反，你的 map 函数会即时应用。

因此，你可以链接多个处理步骤，并且当开始迭代数据集时，它们将全部一起运行

my_iterable_dataset = my_iterable_dataset.map(process_fn_1)
my_iterable_dataset = my_iterable_dataset.filter(filter_fn)
my_iterable_dataset = my_iterable_dataset.map(process_fn_2)

# process_fn_1, filter_fn and process_fn_2 are applied on-the-fly when iterating over the dataset
for example in my_iterable_dataset:  
    print(example)
    break

精确和快速近似洗牌

当你使用 Dataset.shuffle() 对 Dataset 进行洗牌时，你应用了数据集的精确洗牌。它的工作原理是获取索引列表 [0, 1, 2, ... len(my_dataset) - 1] 并对该列表进行洗牌。然后，访问 my_dataset[0] 将返回由已洗牌的索引映射的第一个元素定义的行和索引

my_dataset = my_dataset.shuffle(seed=42)
print(my_dataset[0])

由于在 IterableDataset 的情况下无法随机访问行，因此我们无法使用洗牌后的索引列表并在任意位置访问行。这阻止了精确洗牌的使用。相反，在 IterableDataset.shuffle() 中使用了快速近似洗牌。它使用一个洗牌缓冲区来迭代地从数据集中采样随机示例。由于数据集仍然是迭代读取的，因此它提供了极佳的速度性能

my_iterable_dataset = my_iterable_dataset.shuffle(seed=42, buffer_size=100)
for example in my_iterable_dataset:
    print(example)
    break

但是，仅使用洗牌缓冲区不足以提供机器学习模型训练所需的令人满意的洗牌。因此，IterableDataset.shuffle() 还会洗牌数据集分片，如果你的数据集由多个文件或来源组成

# Stream from the internet
my_iterable_dataset = load_dataset("deepmind/code_contests", split="train", streaming=True)
my_iterable_dataset.n_shards  # 39

# Stream from local files
data_files = {"train": [f"path/to/data_{i}.csv" for i in range(1024)]}
my_iterable_dataset = load_dataset("csv", data_files=data_files, split="train", streaming=True)
my_iterable_dataset.n_shards  # 1024

# From a generator function
def my_generator(n, sources):
    for source in sources:
        for example_id_for_current_source in range(n):
            yield {"example_id": f"{source}_{example_id_for_current_source}"}

gen_kwargs = {"n": 10, "sources": [f"path/to/data_{i}" for i in range(1024)]}
my_iterable_dataset = IterableDataset.from_generator(my_generator, gen_kwargs=gen_kwargs)
my_iterable_dataset.n_shards  # 1024

速度差异

常规 Dataset 对象基于 Arrow，它提供对行的快速随机访问。由于内存映射以及 Arrow 是一种内存格式，因此从磁盘读取数据不会执行昂贵的系统调用和反序列化。通过迭代连续的 Arrow 记录批次，在使用 for 循环迭代时，它提供了更快的加载数据速度。

但是，一旦你的 Dataset 具有索引映射（例如，通过 Dataset.shuffle()），速度可能会降低 10 倍。这是因为存在一个额外的步骤来获取要使用索引映射读取的行索引，最重要的是，你不再读取连续的数据块。为了恢复速度，你需要使用 Dataset.flatten_indices() 再次将整个数据集重写到你的磁盘上，这将删除索引映射。但是，根据数据集的大小，这可能需要很长时间

my_dataset[0]  # fast
my_dataset = my_dataset.shuffle(seed=42)
my_dataset[0]  # up to 10x slower
my_dataset = my_dataset.flatten_indices()  # rewrite the shuffled dataset on disk as contiguous chunks of data
my_dataset[0]  # fast again

在这种情况下，我们建议切换到 IterableDataset 并利用其快速近似洗牌方法 IterableDataset.shuffle()。它只洗牌分片顺序并在你的数据集中添加一个洗牌缓冲区，从而保持数据集的最佳速度。你也可以轻松地重新洗牌数据集

for example in enumerate(my_iterable_dataset):  # fast
    pass

shuffled_iterable_dataset = my_iterable_dataset.shuffle(seed=42, buffer_size=100)

for example in enumerate(shuffled_iterable_dataset):  # as fast as before
    pass

shuffled_iterable_dataset = my_iterable_dataset.shuffle(seed=1337, buffer_size=100)  # reshuffling using another seed is instantaneous

for example in enumerate(shuffled_iterable_dataset):  # still as fast as before
    pass

如果在多个 epoch 上使用你的数据集，则洗牌缓冲区中洗牌分片顺序的有效种子为 seed + epoch。这使得在 epoch 之间重新洗牌数据集变得容易

for epoch in range(n_epochs):
    my_iterable_dataset.set_epoch(epoch)
    for example in my_iterable_dataset:  # fast + reshuffled at each epoch using `effective_seed = seed + epoch`
        pass

要重新开始映射式数据集的迭代，你可以简单地跳过前几个示例

my_dataset = my_dataset.select(range(start_index, len(dataset)))

但是，如果你使用带有 Sampler 的 DataLoader，则应改为保存采样器的状态（你可能编写了一个允许恢复的自定义采样器）。

另一方面，可迭代数据集不提供对特定示例索引的随机访问以从该索引恢复。但是，你可以使用 IterableDataset.state_dict() 和 IterableDataset.load_state_dict() 从检查点恢复，类似于你可以对模型和优化器所做的操作

>>> iterable_dataset = Dataset.from_dict({"a": range(6)}).to_iterable_dataset(num_shards=3)
>>> # save in the middle of training
>>> state_dict = iterable_dataset.state_dict()
>>> # and resume later
>>> iterable_dataset.load_state_dict(state_dict)

在幕后，可迭代数据集会跟踪当前正在读取的分片和当前分片中的示例索引，并将其信息存储在 state_dict 中。

要从检查点恢复，数据集会跳过之前读取的所有分片，以便从当前分片重新开始。然后它读取分片并跳过示例，直到到达检查点中的确切示例。

因此，重新启动数据集非常快，因为它不会重新读取已迭代的分片。尽管如此，恢复数据集通常不是即时的，因为它必须从当前分片的开头重新开始读取并跳过示例，直到到达检查点位置。

这可以与 torchdata 中的 StatefulDataLoader 一起使用，请参阅使用 PyTorch DataLoader 进行流式传输。

从 Map 样式切换到可迭代

如果您想利用 IterableDataset 的“延迟”行为或其速度优势，您可以将您的 Map 样式 Dataset 切换为 IterableDataset

my_iterable_dataset = my_dataset.to_iterable_dataset()

如果您想对数据集进行洗牌或与 PyTorch DataLoader 一起使用，我们建议生成一个分片的 IterableDataset

my_iterable_dataset = my_dataset.to_iterable_dataset(num_shards=1024)
my_iterable_dataset.n_shards  # 1024

< > 在 GitHub 上更新