在 TensorFlow 中使用数据集

本文档简要介绍了如何在 TensorFlow 中使用 datasets，尤其侧重于如何从我们的数据集中获取 tf.Tensor 对象，以及如何将 Hugging Face Dataset 对象中的数据流式传输到 Keras 方法，如 model.fit()。

数据集格式

默认情况下，数据集返回常规的Python对象：整数、浮点数、字符串、列表等。

要获取 TensorFlow 张量，您可以将数据集的格式设置为 tf。

>>> from datasets import Dataset
>>> data = [[1, 2],[3, 4]]
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("tf")
>>> ds[0]
{'data': <tf.Tensor: shape=(2,), dtype=int64, numpy=array([1, 2])>}
>>> ds[:2]
{'data': <tf.Tensor: shape=(2, 2), dtype=int64, numpy=
array([[1, 2],
       [3, 4]])>}

一个 Dataset 对象是 Arrow 表的包装器，它允许从数据集中的数组快速读取到 TensorFlow 张量。

这对于将数据集转换为 Tensor 对象字典，或者编写一个生成器从其中加载 TF 样本很有用。如果您想将整个数据集转换为 Tensor，只需查询整个数据集即可。

>>> ds[:]
{'data': <tf.Tensor: shape=(2, 2), dtype=int64, numpy=
array([[1, 2],
       [3, 4]])>}

N 维数组

如果您的数据集由N维数组组成，您会发现如果形状固定，它们默认被视为相同的张量

>>> from datasets import Dataset
>>> data = [[[1, 2],[3, 4]],[[5, 6],[7, 8]]]  # fixed shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("tf")
>>> ds[0]
{'data': <tf.Tensor: shape=(2, 2), dtype=int64, numpy=
 array([[1, 2],
        [3, 4]])>}

否则，TensorFlow 格式的数据集将输出 RaggedTensor 而不是单个张量。

>>> from datasets import Dataset
>>> data = [[[1, 2],[3]],[[4, 5, 6],[7, 8]]]  # varying shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("torch")
>>> ds[0]
{'data': <tf.RaggedTensor [[1, 2], [3]]>}

然而，这种逻辑通常需要慢速的形状比较和数据复制。为了避免这种情况，您必须明确使用 `Array` 特征类型并指定张量的形状

>>> from datasets import Dataset, Features, Array2D
>>> data = [[[1, 2],[3, 4]],[[5, 6],[7, 8]]]
>>> features = Features({"data": Array2D(shape=(2, 2), dtype='int32')})
>>> ds = Dataset.from_dict({"data": data}, features=features)
>>> ds = ds.with_format("tf")
>>> ds[0]
{'data': <tf.Tensor: shape=(2, 2), dtype=int64, numpy=
 array([[1, 2],
        [3, 4]])>}
>>> ds[:2]
{'data': <tf.Tensor: shape=(2, 2, 2), dtype=int64, numpy=
 array([[[1, 2],
         [3, 4]],
 
        [[5, 6],
         [7, 8]]])>}

其他特征类型

ClassLabel 数据被正确转换为张量。

>>> from datasets import Dataset, Features, ClassLabel
>>> labels = [0, 0, 1]
>>> features = Features({"label": ClassLabel(names=["negative", "positive"])})
>>> ds = Dataset.from_dict({"label": labels}, features=features) 
>>> ds = ds.with_format("tf")  
>>> ds[:3]
{'label': <tf.Tensor: shape=(3,), dtype=int64, numpy=array([0, 0, 1])>}

字符串和二进制对象也受支持。

>>> from datasets import Dataset, Features 
>>> text = ["foo", "bar"]
>>> data = [0, 1] 
>>> ds = Dataset.from_dict({"text": text, "data": data})  
>>> ds = ds.with_format("tf") 
>>> ds[:2]
{'text': <tf.Tensor: shape=(2,), dtype=string, numpy=array([b'foo', b'bar'], dtype=object)>,
 'data': <tf.Tensor: shape=(2,), dtype=int64, numpy=array([0, 1])>}

您也可以显式地格式化某些列，而将其他列保留为未格式化。

>>> ds = ds.with_format("tf", columns=["data"], output_all_columns=True)
>>> ds[:2]
{'data': <tf.Tensor: shape=(2,), dtype=int64, numpy=array([0, 1])>,
 'text': ['foo', 'bar']}

字符串和二进制对象保持不变，因为 PyTorch 只支持数字。

Image 和 Audio 特征类型也受支持。

要使用 Image 特征类型，您需要安装 vision 附加组件，即 pip install datasets[vision]。

>>> from datasets import Dataset, Features, Audio, Image
>>> images = ["path/to/image.png"] * 10
>>> features = Features({"image": Image()})
>>> ds = Dataset.from_dict({"image": images}, features=features) 
>>> ds = ds.with_format("tf")  
>>> ds[0]
{'image': <tf.Tensor: shape=(512, 512, 4), dtype=uint8, numpy=
 array([[[255, 215, 106, 255],
         [255, 215, 106, 255],
         ...,
         [255, 255, 255, 255],
         [255, 255, 255, 255]]], dtype=uint8)>}
>>> ds[:2]
{'image': <tf.Tensor: shape=(2, 512, 512, 4), dtype=uint8, numpy=
 array([[[[255, 215, 106, 255],
          [255, 215, 106, 255],
          ...,
          [255, 255, 255, 255],
          [255, 255, 255, 255]]]], dtype=uint8)>}

要使用 Audio 特征类型，您需要安装 audio 附加组件，即 pip install datasets[audio]。

>>> from datasets import Dataset, Features, Audio, Image
>>> audio = ["path/to/audio.wav"] * 10
>>> features = Features({"audio": Audio()})
>>> ds = Dataset.from_dict({"audio": audio}, features=features) 
>>> ds = ds.with_format("tf")  
>>> ds[0]["audio"]["array"]
<tf.Tensor: shape=(202311,), dtype=float32, numpy=
array([ 6.1035156e-05,  1.5258789e-05,  1.6784668e-04, ...,
       -1.5258789e-05, -1.5258789e-05,  1.5258789e-05], dtype=float32)>
>>> ds[0]["audio"]["sampling_rate"]
<tf.Tensor: shape=(), dtype=int32, numpy=44100>

数据加载

虽然您可以通过索引数据集来加载单个样本和批次，但这在您想使用 Keras 方法（如 fit() 和 predict()）时将不起作用。您可以编写一个生成器函数，该函数可以对数据集进行洗牌并加载批次，然后对该生成器进行 fit()，但这听起来是一项不必要的工作。相反，如果您想实时流式传输数据集中的数据，我们建议使用 to_tf_dataset() 方法将数据集转换为 tf.data.Dataset。

tf.data.Dataset 类涵盖了广泛的用例——它通常从内存中的张量创建，或使用加载函数读取磁盘或外部存储上的文件。数据集可以通过 map() 方法进行任意转换，或者使用 batch() 和 shuffle() 等方法创建适合训练的数据集。这些方法不会以任何方式修改存储的数据——相反，这些方法会构建一个数据管道图，在迭代数据集时执行，通常在模型训练或推理期间。这与 Hugging Face Dataset 对象的 map() 方法不同，后者会立即运行 map 函数并保存新列或已更改的列。

由于整个数据预处理管道可以编译到 tf.data.Dataset 中，因此这种方法允许进行大规模并行、异步数据加载和训练。然而，图编译的要求可能是一个限制，特别是对于 Hugging Face 分词器，它们通常（还！）不能作为 TF 图的一部分进行编译。因此，我们通常建议先将数据集作为 Hugging Face 数据集进行预处理，其中可以使用任意 Python 函数，然后再使用 to_tf_dataset() 转换为 tf.data.Dataset，以获取适合训练的批处理数据集。要查看此方法的示例，请参阅 transformers 的示例或笔记本。

使用 to_tf_dataset()

使用 to_tf_dataset() 非常简单。一旦您的数据集经过预处理并准备就绪，只需像这样调用它：

>>> from datasets import Dataset
>>> data = {"inputs": [[1, 2],[3, 4]], "labels": [0, 1]}
>>> ds = Dataset.from_dict(data)
>>> tf_ds = ds.to_tf_dataset(
            columns=["inputs"],
            label_cols=["labels"],
            batch_size=2,
            shuffle=True
            )

这里返回的 tf_ds 对象现在已完全准备好进行训练，并且可以直接传递给 model.fit()。请注意，您在创建数据集时设置了批次大小，因此在调用 fit() 时无需指定它。

>>> model.fit(tf_ds, epochs=2)

有关参数的完整说明，请参阅 to_tf_dataset() 文档。在许多情况下，您还需要在调用中添加一个 collate_fn。这是一个函数，它接受数据集的多个元素并将它们组合成一个批次。当所有元素具有相同的长度时，内置的默认 collator 就足够了，但对于更复杂的任务，可能需要自定义 collator。特别是，许多任务有不同长度的样本，这需要一个数据 collator 来正确地填充批次。您可以在 transformers NLP 示例和笔记本中看到这方面的示例，其中可变序列长度非常普遍。

如果您发现使用 to_tf_dataset 加载速度很慢，您还可以使用 num_workers 参数。这会启动多个子进程并行加载数据。此功能是新近推出的，仍然有些实验性质——如果您在使用它时遇到任何错误，请提交一个 issue！

何时使用 to_tf_dataset

细心的读者可能已经注意到，我们提供了两种方法来实现相同的目标——如果您想将数据集传递给 TensorFlow 模型，您可以通过 .with_format('tf') 将数据集转换为 Tensor 或 dict 的 Tensors，或者您可以使用 to_tf_dataset() 将数据集转换为 tf.data.Dataset。这两种方法都可以传递给 model.fit()，那么您应该选择哪种呢？

需要认识到的关键点是，当您将整个数据集转换为 Tensor 时，它是静态的并且完全加载到 RAM 中。这既简单又方便，但如果以下任何一种情况适用，您可能应该改用 to_tf_dataset()：

您的数据集太大，无法放入 RAM。to_tf_dataset() 一次只流式传输一个批次，因此即使是非常大的数据集也可以使用此方法处理。
您想使用 dataset.with_transform() 或 collate_fn 应用随机转换。这在几种模态中很常见，例如在训练视觉模型时的图像增强，或者在训练掩码语言模型时的随机掩码。使用 to_tf_dataset() 将在加载批次时应用这些转换，这意味着相同的样本每次加载时都会获得不同的增强。这通常是您想要的。
您的数据具有可变维度，例如 NLP 中的输入文本，它们由不同数量的 token 组成。当您创建具有可变维度的样本的批次时，标准解决方案是将较短的样本填充到最长样本的长度。当您从具有可变维度的 to_tf_dataset 的数据集中流式传输样本时，您可以通过 collate_fn 将此填充应用于每个批次。但是，如果您想将此类数据集转换为密集 Tensor，那么您将不得不将样本填充到整个数据集中最长样本的长度！这可能会导致大量的填充，浪费内存并降低模型的速度。

注意事项和限制

目前，to_tf_dataset() 总是返回一个批处理数据集——我们很快就会添加对非批处理数据集的支持！

在 GitHub 上更新