缓存管理

当您从 Hugging Face 下载数据集时，数据会本地存储在您的计算机上。来自 Hugging Face 的文件通常存储在 `huggingface_hub` 缓存中，默认位置是 `~/.cache/huggingface/hub`。更多详细信息以及如何更改其位置，请参阅 Hub 缓存文档。

Hub 缓存使 🤗 Datasets 在每次使用数据集时避免从 Hugging Face 重新下载文件。

🤗 Datasets 也有自己的缓存，用于存储转换为 Arrow 格式（Dataset 对象使用的格式）的数据集。

本指南重点介绍 🤗 Datasets 的缓存，并向您展示如何：

• 更改缓存目录。
• 控制如何从缓存中加载数据集。
• 清理目录中的缓存文件。
• 启用或禁用缓存。

缓存目录

🤗 Datasets 的默认缓存目录是 `~/.cache/huggingface/datasets`。通过将 shell 环境变量 `HF_HOME` 设置为另一个目录来更改缓存位置：

$ export HF_HOME="/path/to/another/directory/datasets"

或者，您可以设置 `HF_DATASETS_CACHE` 环境变量，仅控制数据集特定的缓存目录：

$ export HF_DATASETS_CACHE="/path/to/datasets_cache"

⚠️ 这仅适用于 `datasets` 库写入的文件（例如，Arrow 文件和索引）。
它 **不** 影响从 Hugging Face Hub 下载的文件（例如模型、分词器或原始数据集源），这些文件默认位于 `~/.cache/huggingface/hub`，并由 `HF_HUB_CACHE` 变量单独控制。

$ export HF_HUB_CACHE="/path/to/hub_cache"

💡 如果您想重新定位所有 Hugging Face 缓存——包括数据集和 Hub 下载——请改用 `HF_HOME` 变量。

$ export HF_HOME="/path/to/cache_root"

这将导致：

• 数据集缓存 → `/path/to/cache_root/datasets`
• Hub 缓存 → `/path/to/cache_root/hub`

这些区别在共享环境或网络文件系统（例如，NFS）中特别有用。
请参阅 问题 #7480，了解当 `HF_DATASETS_CACHE` 与 `HF_HUB_CACHE` 未同时设置时用户如何遇到意外的缓存位置。

当您加载数据集时，您还可以选择更改数据缓存的位置。将 `cache_dir` 参数更改为您想要的路径：

>>> from datasets import load_dataset
>>> dataset = load_dataset('username/dataset', cache_dir="/path/to/another/directory/datasets")

下载模式

下载数据集后，使用 load_dataset() 的 `download_mode` 参数来控制其加载方式。默认情况下，如果数据集存在，🤗 Datasets 会重用它。但是，如果您需要未经任何处理函数应用的原始数据集，请如下所示重新下载文件：

>>> from datasets import load_dataset
>>> dataset = load_dataset('rajpurkar/squad', download_mode='force_redownload')

有关完整的下载模式列表，请参阅 DownloadMode。

缓存文件

使用 Dataset.cleanup_cache_files() 清理目录中的 Arrow 缓存文件：

# Returns the number of removed cache files
>>> dataset.cleanup_cache_files()
2

启用或禁用缓存

如果您在本地使用缓存文件，它会自动重新加载数据集以及您之前对数据集应用的任何转换。通过在 Dataset.map() 中设置参数 `load_from_cache_file=False` 来禁用此行为：

>>> updated_dataset = small_dataset.map(add_prefix, load_from_cache_file=False)

在上面的例子中，🤗 Datasets 将再次对整个数据集执行 `add_prefix` 函数，而不是从其先前的状态加载数据集。

使用 disable_caching() 在全局范围内禁用缓存：

>>> from datasets import disable_caching
>>> disable_caching()

当您禁用缓存时，🤗 Datasets 在对数据集应用转换时将不再重新加载缓存的文件。您对数据集应用的任何转换都需要重新应用。

提高性能

禁用缓存并将数据集复制到内存中将加快数据集操作。有两种将数据集复制到内存中的选项：

1. 将 `datasets.config.IN_MEMORY_MAX_SIZE` 设置为适合您 RAM 内存的非零值（以字节为单位）。

2. 将环境变量 `HF_DATASETS_IN_MEMORY_MAX_SIZE` 设置为非零值。请注意，第一种方法具有更高的优先级。