Divisões e fatiamento

Todos os conjuntos de dados TFDS expor várias separações de dados (por exemplo, 'train' , 'test' ), que pode ser explorada no catálogo .

Além das divisões "oficiais" do conjunto de dados, o TFDS permite selecionar fatias de divisão (ões) e várias combinações.

API Slicing

Seccionar instruções são especificadas em tfds.load ou tfds.DatasetBuilder.as_dataset através da split= kwarg.

ds = tfds.load('my_dataset', split='train[:75%]')
builder = tfds.builder('my_dataset')
ds = builder.as_dataset(split='test+train[:75%]')

A divisão pode ser:

  • Divisão simples ( 'train' , 'test' ): Todos os exemplos dentro da divisão selecionado.
  • Fatias: Fatias têm a mesma semântica como notação fatia python . As fatias podem ser:
    • Absoluto ( 'train[123:450]' , train[:4000] ): (ver nota abaixo para ressalva sobre a ordem de leitura)
    • Percentagem ( 'train[:75%]' , 'train[25%:75%]' ): dividir os dados completos em 100 fatias mesmo. Se os dados não forem divisíveis por 100, alguns por cento podem conter exemplos adicionais.
    • Shard ( train[:4shard] , train[4shard] ): Escolha todos os exemplos no caco solicitado. (veja info.splits['train'].num_shards para obter o número de fragmentos do split)
  • União de splits ( 'train+test' , 'train[:25%]+test' ): Splits serão intercalados juntos.
  • Conjunto de dados completo ( 'all' ): 'all' é um nome de divisão especial correspondente à união de todos os grupos (equivalente a 'train+test+...' ).
  • Lista de splits ( ['train', 'test'] ): Multiple tf.data.Dataset são devolvidos em separado:
# Returns both train and test split separately
train_ds, test_ds = tfds.load('mnist', split=['train', 'test[50%]'])

tfds.even_splits e formação multi-anfitrião

tfds.even_splits gera uma lista dos não-sobrepostas sub-divide de igual tamanho.

# Divide the dataset into 3 even parts, each containing 1/3 of the data
split0, split1, split2 = tfds.even_splits('train', n=3)

ds = tfds.load('my_dataset', split=split2)

Isso pode ser particularmente útil ao treinar em um ambiente distribuído, onde cada host deve receber uma fatia dos dados originais. Aqui está um exemplo com jax:

splits = tfds.even_splits('train', n=jax.process_count(), drop_remainder=True)
# The current `process_index` load only `1 / process_count` of the data.
ds = tfds.load('my_dataset', split=splits[jax.process_index()])

tfds.even_splits aceita em qualquer valor de divisão como entrada (por exemplo, 'train[75%:]+test' )

Fatiamento e metadados

É possível obter informações adicionais sobre os grupos / subsplits ( num_examples , file_instructions , ...) usando a informações conjunto de dados :

builder = tfds.builder('my_dataset')
builder.info.splits['train'].num_examples  # 10_000
builder.info.splits['train[:75%]'].num_examples  # 7_500 (also works with slices)
builder.info.splits.keys()  # ['train', 'test']

Validação cruzada

Exemplos de validação cruzada de 10 vezes usando a API de string:

vals_ds = tfds.load('mnist', split=[
    f'train[{k}%:{k+10}%]' for k in range(0, 100, 10)
])
trains_ds = tfds.load('mnist', split=[
    f'train[:{k}%]+train[{k+10}%:]' for k in range(0, 100, 10)
])

Os conjuntos de dados de validação são cada vai ser 10%: [0%:10%] , [10%:20%] , ..., [90%:100%] . E os conjuntos de dados de treino são cada vai ser o complementar de 90%: [10%:100%] (para um conjunto de validação correspondente de [0%:10%] ), `[0%: 10%]

  • [20%: 100%] (for a validation set of [10%: 20%] `), ...

tfds.core.ReadInstruction e arredondamento

Ao invés de str , é possível passar splits como tfds.core.ReadInstruction :

Por exemplo, split = 'train[50%:75%] + test' é equivalente a:

split = (
    tfds.core.ReadInstruction(
        'train',
        from_=50,
        to=75,
        unit='%',
    )

    + tfds.core.ReadInstruction('test')
)
ds = tfds.load('my_dataset', split=split)

unit pode ser:

  • abs : corte Absolute
  • % : Percentagem de fatiar
  • shard : corte Shard

tfds.ReadInstruction também tem um argumento de arredondamento. Se o número de exemplo do conjunto de dados não é dividir uniformemente por 100 :

  • rounding='closest' (padrão): Os exemplos restantes são distribuídos entre os cento, de modo algum por cento pode conter exemplos adicionais.
  • rounding='pct1_dropremainder' : Os exemplos restantes são descartados, mas esta garantia todos cento contêm o mesmo número do exemplo (por exemplo: len(5%) == 5 * len(1%) ).

Reprodutibilidade e determinismo

Durante a geração, para uma determinada versão do conjunto de dados, o TFDS garante que os exemplos sejam ordenados de forma determinística no disco. Portanto, gerar o conjunto de dados duas vezes (em 2 computadores diferentes) não mudará a ordem do exemplo.

Da mesma forma, a API subsplit irá seleccionar sempre o mesmo set de exemplos, independentemente de plataforma, arquitectura, etc. Este significativo set('train[:20%]') == set('train[:10%]') + set('train[10%:20%]') .

No entanto, a ordem em que são lidos exemplo pode não ser determinista. Isso depende de outros parâmetros (por exemplo, se shuffle_files=True ).