Datasets documentation
Use com NumPy
Use com NumPy
Este documento é uma introdução rápida ao uso de datasets com NumPy, com foco especial em como obter objetos numpy.ndarray dos nossos datasets e como usá-los para treinar modelos baseados em NumPy, como modelos do scikit-learn.
Formato do conjunto de dados
Por padrão, os conjuntos de dados retornam objetos Python comuns: inteiros, números de ponto flutuante, strings, listas, etc.
Para obter arrays do NumPy, você pode definir o formato do conjunto de dados como numpy:
>>> from datasets import Dataset
>>> data = [[1, 2], [3, 4]]
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("numpy")
>>> ds[0]
{'data': array([1, 2])}
>>> ds[:2]
{'data': array([
[1, 2],
[3, 4]])}Um objeto Dataset é um encapsulamento de uma tabela Arrow, que permite leituras rápidas de arrays no dataset para arrays NumPy.
Observe que o mesmo procedimento exato se aplica a objetos DatasetDict, de modo que, ao definir o formato de um DatasetDict como numpy, todos os Datasets presentes serão formatados como numpy:
>>> from datasets import DatasetDict
>>> data = {"train": {"data": [[1, 2], [3, 4]]}, "test": {"data": [[5, 6], [7, 8]]}}
>>> dds = DatasetDict.from_dict(data)
>>> dds = dds.with_format("numpy")
>>> dds["train"][:2]
{'data': array([
[1, 2],
[3, 4]])}Arrays N-dimensionais
Se o seu conjunto de dados consiste em arrays de N dimensões, você verá que, por padrão, eles são considerados o mesmo array se a forma for fixa:
>>> 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("numpy")
>>> ds[0]
{'data': array([[1, 2],
[3, 4]])}>>> 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("numpy")
>>> ds[0]
{'data': array([array([1, 2]), array([3])], dtype=object)}No entanto, essa lógica frequentemente exige comparações de forma e cópias de dados lentas.
Para evitar isso, você deve usar explicitamente o tipo de recurso Array e especificar a forma dos seus tensores:
>>> 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("numpy")
>>> ds[0]
{'data': array([[1, 2],
[3, 4]])}
>>> ds[:2]
{'data': array([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])}Outros tipos de recursos
Os dados de ClassLabel são convertidos corretamente em arrays:
>>> 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("numpy")
>>> ds[:3]
{'label': array([0, 0, 1])}Objetos de string e binários permanecem inalterados, pois o NumPy suporta apenas números.
Os tipos de recurso Image e Audio também são suportados.
Para usar o tipo de recurso Image, você precisará instalar o extra
visioncomopip install datasets[vision].
>>> from datasets import Dataset, Features, Image
>>> images = ["path/to/image.png"] * 10
>>> features = Features({"image": Image()})
>>> ds = Dataset.from_dict({"image": images}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[0]["image"].shape
(512, 512, 3)
>>> ds[0]
{'image': array([[[ 255, 255, 255],
[ 255, 255, 255],
...,
[ 255, 255, 255],
[ 255, 255, 255]]], dtype=uint8)}
>>> ds[:2]["image"].shape
(2, 512, 512, 3)
>>> ds[:2]
{'image': array([[[[ 255, 255, 255],
[ 255, 255, 255],
...,
[ 255, 255, 255],
[ 255, 255, 255]]]], dtype=uint8)}Para usar o tipo de recurso Audio, você precisará instalar o extra
audiocomopip install datasets[audio].
>>> from datasets import Dataset, Features, Audio
>>> audio = ["path/to/audio.wav"] * 10
>>> features = Features({"audio": Audio()})
>>> ds = Dataset.from_dict({"audio": audio}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[0]["audio"]["array"]
array([-0.059021 , -0.03894043, -0.00735474, ..., 0.0133667 ,
0.01809692, 0.00268555], dtype=float32)
>>> ds[0]["audio"]["sampling_rate"]
array(44100, weak_type=True)Carregamento de dados
O NumPy não possui recursos nativos de carregamento de dados, portanto, você precisará materializar os arrays NumPy como X, y para usar no scikit-learn ou utilizar uma biblioteca como PyTorch para carregar seus dados usando um DataLoader.
Usando with_format('numpy')
A maneira mais fácil de obter arrays NumPy de um dataset é usar o método with_format('numpy'). Vamos supor que queremos treinar uma rede neural no dataset MNIST disponível no HuggingFace Hub em https://huggingface.co/datasets/mnist.
>>> from datasets import load_dataset
>>> ds = load_dataset("ylecun/mnist")
>>> ds = ds.with_format("numpy")
>>> ds["train"][0]
{'image': array([[ 0, 0, 0, ...],
[ 0, 0, 0, ...],
...,
[ 0, 0, 0, ...],
[ 0, 0, 0, ...]], dtype=uint8),
'label': array(5)}Uma vez definido o formato, podemos alimentar o modelo baseado em NumPy com o conjunto de dados em lotes usando o método Dataset.iter():
>>> for epoch in range(epochs):
... for batch in ds["train"].iter(batch_size=32):
... x, y = batch["image"], batch["label"]
... ...