NLP 课程文档

大数据? 🤗 数据集来救援!

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验

开始

大数据? 🤗 数据集来救援!

Ask a Question Open In Colab Open In Studio Lab

如今,处理多 GB 的数据集已变得司空见惯,尤其是在您计划从头开始预训练 BERT 或 GPT-2 等 Transformer 时。在这些情况下,甚至加载数据都可能是一个挑战。例如,用于预训练 GPT-2 的 WebText 语料库包含超过 800 万个文档和 40 GB 的文本——将这些加载到笔记本电脑的 RAM 中很可能会让它“心脏病发作”!

幸运的是,🤗 Datasets 旨在克服这些限制。它通过将数据集视为内存映射文件,并通过流式传输语料库中的条目来避免内存管理问题和硬盘空间限制。

在本节中,我们将使用一个名为 The Pile 的大型 825 GB 语料库来探索 🤗 Datasets 的这些功能。让我们开始吧!

什么是 The Pile?

The Pile 是一个英文文本语料库,由 EleutherAI 创建,用于训练大规模语言模型。它包含各种各样的数据集,涵盖科学文章、GitHub 代码库和经过过滤的网络文本。训练语料库以 14 GB 块 的形式提供,您还可以下载几个 单独的组件。让我们首先看看 PubMed 摘要数据集,这是一个包含来自 PubMed 上 1500 万篇生物医学出版物的摘要的语料库。该数据集采用 JSON Lines 格式,并使用 zstandard 库进行压缩,因此首先我们需要安装它

!pip install zstandard

接下来,我们可以使用我们在 第 2 节 中学习的远程文件方法加载数据集

from datasets import load_dataset

# This takes a few minutes to run, so go grab a tea or coffee while you wait :)
data_files = "https://the-eye.eu/public/AI/pile_preliminary_components/PUBMED_title_abstracts_2019_baseline.jsonl.zst"
pubmed_dataset = load_dataset("json", data_files=data_files, split="train")
pubmed_dataset
Dataset({
    features: ['meta', 'text'],
    num_rows: 15518009
})

我们可以看到,我们的数据集中有 15,518,009 行和 2 列——非常多!

✎ 默认情况下,🤗 Datasets 会解压缩加载数据集所需的 文件。如果您想节省硬盘空间,可以将 DownloadConfig(delete_extracted=True) 传递给 load_dataset()download_config 参数。有关更多详细信息,请参阅 文档

让我们检查第一个示例的内容

pubmed_dataset[0]
{'meta': {'pmid': 11409574, 'language': 'eng'},
 'text': 'Epidemiology of hypoxaemia in children with acute lower respiratory infection.\nTo determine the prevalence of hypoxaemia in children aged under 5 years suffering acute lower respiratory infections (ALRI), the risk factors for hypoxaemia in children under 5 years of age with ALRI, and the association of hypoxaemia with an increased risk of dying in children of the same age ...'}

好的,这看起来像是医学文章的摘要。现在让我们看看我们使用了多少 RAM 来加载数据集!

内存映射的魔力

在 Python 中测量内存使用量的一种简单方法是使用 psutil 库,可以使用 pip 如下安装

!pip install psutil

它提供了一个 Process 类,允许我们检查当前进程的内存使用情况,如下所示

import psutil

# Process.memory_info is expressed in bytes, so convert to megabytes
print(f"RAM used: {psutil.Process().memory_info().rss / (1024 * 1024):.2f} MB")
RAM used: 5678.33 MB

这里 rss 属性指的是驻留集大小,它是进程在 RAM 中占用的内存的一部分。此测量值还包括 Python 解释器和我们加载的库使用的内存,因此加载数据集实际使用的内存量要小一些。为了进行比较,让我们看看数据集在磁盘上的大小,使用 dataset_size 属性。由于结果像之前一样以字节表示,因此我们需要手动将其转换为 GB

print(f"Number of files in dataset : {pubmed_dataset.dataset_size}")
size_gb = pubmed_dataset.dataset_size / (1024**3)
print(f"Dataset size (cache file) : {size_gb:.2f} GB")
Number of files in dataset : 20979437051
Dataset size (cache file) : 19.54 GB

不错——尽管它的大小接近 20 GB,但我们能够使用更少的 RAM 加载和访问数据集!

✏️ **试试看!** 从 The Pile 中选择一个大于您的笔记本电脑或台式机 RAM 的 子集,使用 🤗 Datasets 加载它,并测量使用的 RAM 量。请注意,为了获得准确的测量结果,您需要在新进程中执行此操作。您可以在 The Pile 论文 的表 1 中找到每个子集的解压缩大小。

如果您熟悉 Pandas,那么这个结果可能会让您感到惊讶,因为 Wes Kinney 的著名 经验法则 是您通常需要的数据集大小的 5 到 10 倍的 RAM。那么 🤗 Datasets 如何解决此内存管理问题呢?🤗 Datasets 将每个数据集视为 内存映射文件,它提供 RAM 和文件系统存储之间的映射,允许库访问和操作数据集的元素,而无需将其完全加载到内存中。

内存映射文件也可以在多个进程之间共享,这使得像 Dataset.map() 这样的方法能够并行化,而无需移动或复制数据集。在幕后,所有这些功能都是由 Apache Arrow 内存格式和 pyarrow 库实现的,它们使数据加载和处理速度飞快。(有关 Apache Arrow 的更多详细信息以及与 Pandas 的比较,请查看 Dejan Simic 的博文。)为了实际观察这一点,让我们通过迭代 PubMed 摘要数据集中的所有元素来进行一个小速度测试

import timeit

code_snippet = """batch_size = 1000

for idx in range(0, len(pubmed_dataset), batch_size):
    _ = pubmed_dataset[idx:idx + batch_size]
"""

time = timeit.timeit(stmt=code_snippet, number=1, globals=globals())
print(
    f"Iterated over {len(pubmed_dataset)} examples (about {size_gb:.1f} GB) in "
    f"{time:.1f}s, i.e. {size_gb/time:.3f} GB/s"
)
'Iterated over 15518009 examples (about 19.5 GB) in 64.2s, i.e. 0.304 GB/s'

在这里,我们使用了 Python 的 timeit 模块来测量 code_snippet 的执行时间。您通常能够以每秒几十分之一 GB 到几 GB 的速度迭代数据集。这对于绝大多数应用程序都非常有效,但有时您需要处理一个甚至无法存储在笔记本电脑硬盘驱动器上的数据集。例如,如果我们尝试下载完整的 The Pile,则需要 825 GB 的可用磁盘空间!为了处理这些情况,🤗 Datasets 提供了一个流式传输功能,允许我们即时下载和访问元素,而无需下载整个数据集。让我们看看它是如何工作的。

💡 在 Jupyter Notebook 中,您还可以使用 %%timeit 魔术函数 来计时单元格。

流式数据集

要启用数据集流,您只需将streaming=True参数传递给load_dataset()函数即可。例如,让我们再次加载PubMed Abstracts数据集,但以流模式加载。

pubmed_dataset_streamed = load_dataset(
    "json", data_files=data_files, split="train", streaming=True
)

与我们在本章其他地方遇到的熟悉的Dataset不同,使用streaming=True返回的对象是IterableDataset。顾名思义,要访问IterableDataset的元素,我们需要对其进行迭代。我们可以按如下方式访问我们流式数据集的第一个元素:

next(iter(pubmed_dataset_streamed))
{'meta': {'pmid': 11409574, 'language': 'eng'},
 'text': 'Epidemiology of hypoxaemia in children with acute lower respiratory infection.\nTo determine the prevalence of hypoxaemia in children aged under 5 years suffering acute lower respiratory infections (ALRI), the risk factors for hypoxaemia in children under 5 years of age with ALRI, and the association of hypoxaemia with an increased risk of dying in children of the same age ...'}

流式数据集中的元素可以使用IterableDataset.map()实时处理,这在训练期间非常有用,如果您需要对输入进行标记化。该过程与我们在第3章中用于标记化数据集的过程完全相同,唯一的区别是输出是一次一个返回的。

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("distilbert-base-uncased")
tokenized_dataset = pubmed_dataset_streamed.map(lambda x: tokenizer(x["text"]))
next(iter(tokenized_dataset))
{'input_ids': [101, 4958, 5178, 4328, 6779, ...], 'attention_mask': [1, 1, 1, 1, 1, ...]}

💡为了加速流式标记化,您可以传递batched=True,就像我们在上一节中看到的那样。它将分批处理示例;默认批次大小为1,000,可以使用batch_size参数指定。

您还可以使用IterableDataset.shuffle()对流式数据集进行洗牌,但与Dataset.shuffle()不同,这只会洗牌预定义buffer_size中的元素。

shuffled_dataset = pubmed_dataset_streamed.shuffle(buffer_size=10_000, seed=42)
next(iter(shuffled_dataset))
{'meta': {'pmid': 11410799, 'language': 'eng'},
 'text': 'Randomized study of dose or schedule modification of granulocyte colony-stimulating factor in platinum-based chemotherapy for elderly patients with lung cancer ...'}

在此示例中,我们从缓冲区中前10,000个示例中随机选择了一个示例。一旦访问了一个示例,其在缓冲区中的位置就会被语料库中的下一个示例填充(例如,上面的第10,001个示例)。您还可以使用IterableDataset.take()IterableDataset.skip()函数从流式数据集选择元素,它们的作用类似于Dataset.select()。例如,要选择PubMed Abstracts数据集中前5个示例,我们可以执行以下操作:

dataset_head = pubmed_dataset_streamed.take(5)
list(dataset_head)
[{'meta': {'pmid': 11409574, 'language': 'eng'},
  'text': 'Epidemiology of hypoxaemia in children with acute lower respiratory infection ...'},
 {'meta': {'pmid': 11409575, 'language': 'eng'},
  'text': 'Clinical signs of hypoxaemia in children with acute lower respiratory infection: indicators of oxygen therapy ...'},
 {'meta': {'pmid': 11409576, 'language': 'eng'},
  'text': "Hypoxaemia in children with severe pneumonia in Papua New Guinea ..."},
 {'meta': {'pmid': 11409577, 'language': 'eng'},
  'text': 'Oxygen concentrators and cylinders ...'},
 {'meta': {'pmid': 11409578, 'language': 'eng'},
  'text': 'Oxygen supply in rural africa: a personal experience ...'}]

类似地,您可以使用IterableDataset.skip()函数从洗牌后的数据集中创建训练和验证拆分,如下所示:

# Skip the first 1,000 examples and include the rest in the training set
train_dataset = shuffled_dataset.skip(1000)
# Take the first 1,000 examples for the validation set
validation_dataset = shuffled_dataset.take(1000)

让我们以一个常见的应用程序来结束我们对数据集流的探索:将多个数据集组合在一起以创建一个语料库。🤗 Datasets提供了一个interleave_datasets()函数,该函数将IterableDataset对象的列表转换为单个IterableDataset,其中新数据集的元素通过在源示例之间交替获取。当您尝试组合大型数据集时,此函数特别有用,因此,举个例子,让我们流式传输Pile的FreeLaw子集,这是一个51 GB的美国法院法律意见数据集。

law_dataset_streamed = load_dataset(
    "json",
    data_files="https://the-eye.eu/public/AI/pile_preliminary_components/FreeLaw_Opinions.jsonl.zst",
    split="train",
    streaming=True,
)
next(iter(law_dataset_streamed))
{'meta': {'case_ID': '110921.json',
  'case_jurisdiction': 'scotus.tar.gz',
  'date_created': '2010-04-28T17:12:49Z'},
 'text': '\n461 U.S. 238 (1983)\nOLIM ET AL.\nv.\nWAKINEKONA\nNo. 81-1581.\nSupreme Court of United States.\nArgued January 19, 1983.\nDecided April 26, 1983.\nCERTIORARI TO THE UNITED STATES COURT OF APPEALS FOR THE NINTH CIRCUIT\n*239 Michael A. Lilly, First Deputy Attorney General of Hawaii, argued the cause for petitioners. With him on the brief was James H. Dannenberg, Deputy Attorney General...'}

这个数据集足够大,可以给大多数笔记本电脑的RAM带来压力,但我们已经能够在不费吹灰之力的情况下加载和访问它!现在,让我们使用interleave_datasets()函数组合来自FreeLaw和PubMed Abstracts数据集的示例。

from itertools import islice
from datasets import interleave_datasets

combined_dataset = interleave_datasets([pubmed_dataset_streamed, law_dataset_streamed])
list(islice(combined_dataset, 2))
[{'meta': {'pmid': 11409574, 'language': 'eng'},
  'text': 'Epidemiology of hypoxaemia in children with acute lower respiratory infection ...'},
 {'meta': {'case_ID': '110921.json',
   'case_jurisdiction': 'scotus.tar.gz',
   'date_created': '2010-04-28T17:12:49Z'},
  'text': '\n461 U.S. 238 (1983)\nOLIM ET AL.\nv.\nWAKINEKONA\nNo. 81-1581.\nSupreme Court of United States.\nArgued January 19, 1983.\nDecided April 26, 1983.\nCERTIORARI TO THE UNITED STATES COURT OF APPEALS FOR THE NINTH CIRCUIT\n*239 Michael A. Lilly, First Deputy Attorney General of Hawaii, argued the cause for petitioners. With him on the brief was James H. Dannenberg, Deputy Attorney General...'}]

在这里,我们使用了Python的itertools模块中的islice()函数从组合数据集中选择了前两个示例,我们可以看到它们与两个源数据集中第一个示例相匹配。

最后,如果您想以其825 GB的完整性流式传输Pile,您可以按如下方式获取所有准备好的文件:

base_url = "https://the-eye.eu/public/AI/pile/"
data_files = {
    "train": [base_url + "train/" + f"{idx:02d}.jsonl.zst" for idx in range(30)],
    "validation": base_url + "val.jsonl.zst",
    "test": base_url + "test.jsonl.zst",
}
pile_dataset = load_dataset("json", data_files=data_files, streaming=True)
next(iter(pile_dataset["train"]))
{'meta': {'pile_set_name': 'Pile-CC'},
 'text': 'It is done, and submitted. You can play “Survival of the Tastiest” on Android, and on the web...'}

✏️ 动手试试!使用像mc4oscar这样的大型Common Crawl语料库来创建一个流式多语言数据集,该数据集表示您选择的国家/地区的语言口语比例。例如,瑞士的四种国家语言是德语、法语、意大利语和罗曼什语,因此您可以尝试根据其口语比例对Oscar子集进行采样来创建一个瑞士语料库。

现在,您拥有了加载和处理各种形状和大小的数据集所需的所有工具——但除非您非常幸运,否则在您的NLP之旅中,您将不得不实际创建一个数据集来解决手头的问题。这就是下一节的主题!