0
点赞
收藏
分享

微信扫一扫

Transformers学习笔记2. HuggingFace数据集Datasets


Transformers学习笔记2. HuggingFace数据集Datasets

  • ​​一、简介​​
  • ​​二、操作​​
  • ​​1. 下载数据集​​
  • ​​2. 常用函数​​
  • ​​(1)排序​​
  • ​​(2)打乱顺序​​
  • ​​(3)选择函数​​
  • ​​(4)过滤​​
  • ​​(5)切分数据集​​
  • ​​(6)分桶​​
  • ​​(7)列重命名​​
  • ​​(8)列删除​​
  • ​​(9)数据集转换​​
  • ​​(10)map函数​​
  • ​​(11)数据的保存和加载​​
  • ​​3. 评价指标 Evaluate​​
  • ​​(1)加载​​
  • ​​(2)从社区加载模块​​
  • ​​(3)列出可用模块​​
  • ​​(4)模块属性​​
  • ​​(5)计算,直接调用函数计算​​
  • ​​(6)计算单个或一批指标​​
  • ​​(7)可视化​​

一、简介

Datasets库是Hugging Face的一个重要的数据集库。 当需要微调一个模型的时候,需要进行下面操作:

  1. 下载数据集
  2. 使用Dataset.map() 预处理数据
  3. 加载和计算指标
    可以在官网来搜索数据集:
    ​​​ https://huggingface.co/datasets​​

二、操作

1. 下载数据集

使用的示例数据集:

Transformers学习笔记2. HuggingFace数据集Datasets_数据集

from datasets import load_dataset

# 加载数据
dataset = load_dataset(path='seamew/ChnSentiCorp', split='train')

print(dataset)

打印结果:

Dataset({
features: ['text', 'label'],
num_rows: 9600
})
{'text': '选择珠江花园的原因就是方便,有电动扶梯直接到达海边,周围餐馆、食廊、商场、超市、摊位一应俱全。酒店装修一般,但还算整洁。 泳池在大堂的屋顶,因此很小,不过女儿倒是喜欢。 包的早餐是西式的,还算丰富。 服务吗,一般', 'label': 1}

2. 常用函数

(1)排序

sortData = dataset.sort('label')

Transformers学习笔记2. HuggingFace数据集Datasets_深度学习_02

(2)打乱顺序

shuffleData = sortData.shuffle(seed=20);

(3)选择函数

从数据集中取出某些指定的部分。

dataset.select([0,1,2,3])

(4)过滤

def filter(data):
return data['text'].startswith('1')
b = dataset.filter(filter)

Transformers学习笔记2. HuggingFace数据集Datasets_人工智能_03

(5)切分数据集

dataset.train_test_split(test_size=0.1)

把数据集切分,10%为测试集。

Transformers学习笔记2. HuggingFace数据集Datasets_人工智能_04

(6)分桶

把数据集均数若干份,取其中的第几份。

dataset.shard(num_shards=5, index=0)

(7)列重命名

c = a.rename_column('text', 'newColumn')

(8)列删除

d = c.remove_columns(['newColumn'])

(9)数据集转换

set_format函数用来实现与其它库数据格式的转换;

# 转为PyTorch数据集格式 
dataset.set_format(type='torch', columns=['label'])
# 转为Pandas格式
dataset.set_format(type='pandas', columns=['label'])

(10)map函数

遍历数据,对每个数据进行处理

def handler(data):
data['text'] = 'Prefix' + data['text']
return data

datasetMap = dataset.map(handler)

(11)数据的保存和加载

dataset.save_to_disk('./')

Transformers学习笔记2. HuggingFace数据集Datasets_lua_05

from datasets import load_from_disk
dataset = load_from_disk('./')

3. 评价指标 Evaluate

安装Evaluate库:

pip install evaluate

(1)加载

import evaluate
accuracy = evaluate.load("accuracy")

(2)从社区加载模块

element_count = evaluate.load("lvwerra/element_count", module_type="measurement")

(3)列出可用模块

evaluate.list_evaluation_modules(
module_type="comparison",
include_community=False,
with_details=True)

Transformers学习笔记2. HuggingFace数据集Datasets_人工智能_06

(4)模块属性

属性

描述

description

评估模块说明

citation

用于引用的 BibTex 字符串(如果可用)。

features

定义输入格式的对象的特征

inputs_description

说明

homepage

模块的主页

license

模块的许可证

codebase_urls

模块代码链接

reference_urls

其他引用网址

(5)计算,直接调用函数计算

# 评估值正确率有一半
accuracy.compute(references=[0,1,0,1], predictions=[1,0,0,1])
# 输出
{'accuracy': 0.5}

(6)计算单个或一批指标

for ref, pred in zip([0,1,0,1], [1,0,0,1]):
accuracy.add(references=ref, predictions=pred)
accuracy.compute()

输出:

{'accuracy': 0.5}

批添加:

for refs, preds in zip([[0,1],[0,1]], [[1,0],[0,1]]):
accuracy.add_batch(references=refs, predictions=preds)
accuracy.compute()

(7)可视化

import evaluate
from evaluate.visualization import radar_plot

data = [
{"accuracy": 0.99, "precision": 0.8, "f1": 0.95, "latency_in_seconds": 33.6},
{"accuracy": 0.98, "precision": 0.87, "f1": 0.91, "latency_in_seconds": 11.2},
{"accuracy": 0.98, "precision": 0.78, "f1": 0.88, "latency_in_seconds": 87.6},
{"accuracy": 0.88, "precision": 0.78, "f1": 0.81, "latency_in_seconds": 101.6}
]
model_names = ["Model 1", "Model 2", "Model 3", "Model 4"]
plot = radar_plot(data=data, model_names=model_names)
plot.show()

Transformers学习笔记2. HuggingFace数据集Datasets_深度学习_07




举报

相关推荐

0 条评论