dataset¶
mnist¶
MNIST数据集。
此模块将从 http://ai.stanford.edu/%7Eamaas/data/sentiment/aclImdb_v1.tar.gz 下载数据集，并将训练集和测试集解析为paddle reader creator。
MNIST训练数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[-1，1]，标签范围是[0，9]。
返回： 训练数据的reader creator
返回类型：callable
MNIST测试数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[-1，1]，标签范围是[0，9]。
返回： 测试数据集的reader creator
返回类型：callable
将数据集转换为recordio格式。
cifar¶
CIFAR数据集。
此模块将从 https://www.cs.toronto.edu/~kriz/cifar.html 下载数据集，并将训练集和测试集解析为paddle reader creator。
cifar-10数据集由10个类别的60000张32x32彩色图像组成，每个类别6000张图像。共有5万张训练图像，1万张测试图像。
cifar-100数据集与cifar-10类似，只是它有100个类，每个类包含600张图像。每个类有500张训练图像和100张测试图像。
CIFAR-100训练数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
返回： 训练数据集的reader creator。
返回类型：callable
CIFAR-100测试数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
返回： 测试数据集的reader creator
返回类型：callable
CIFAR-10训练数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
- 参数：
- cycle (bool) – 是否循环使用数据集
返回： 训练数据集的reader creator
返回类型：callable
CIFAR-10测试数据集的creator。
它返回一个reader creator, reader中的每个样本的图像像素范围是[0，1]，标签范围是[0，9]。
- 参数：
- cycle (bool) – 是否循环使用数据集
返回： 测试数据集的reader creator
返回类型：callable
将数据集转换为recordio格式。
Conll05¶
Conll05数据集。Paddle深度学习基础中的语义角色标注文档使用这个数据集为例。因为Conll05数据集不是免费公开的，所以默认下载的url是Conll05的测试集（它是公开的）。用户可以将url和md5更改为其Conll数据集。并采用基于维基百科语料库的预训练词向量模型对SRL模型进行初始化。
获取维基百科语料库的单词、动词和标签字典。
获取基于维基百科语料库的训练词向量。
Conll05测试数据集的creator。
因为训练数据集不是免费公开的，所以用测试数据集进行训练。它返回一个reader creator，reader中的每个样本都有九个特征，包括句子序列、谓词、谓词上下文、谓词上下文标记和标记序列。
返回： 训练数据集的reader creator
返回类型：callable
imdb¶
IMDB数据集。
本模块的数据集从 http://ai.stanford.edu/%7Eamaas/data/sentiment/IMDB 数据集。这个数据集包含了25000条训练用电影评论数据，25000条测试用评论数据，且这些评论带有明显情感倾向。此外，该模块还提供了用于构建词典的API。
从语料库构建一个单词字典，词典的键是word，值是这些单词从0开始的ID。
IMDB训练数据集的creator。
它返回一个reader creator, reader中的每个样本的是一个从0开始的ID序列，标签范围是[0，1]。
- 参数：
- word_idx (dict) – 词典
返回： 训练数据集的reader creator
返回类型：callable
IMDB测试数据集的creator。
它返回一个reader creator, reader中的每个样本的是一个从0开始的ID序列，标签范围是[0，1]。
- 参数：
- word_idx (dict) – 词典
返回： 训练数据集的reader creator
返回类型：callable
将数据集转换为recordio格式。
imikolov¶
imikolov的简化版数据集。
此模块将从 http://www.fit.vutbr.cz/~imikolov/rnnlm/ 下载数据集，并将训练集和测试集解析为paddle reader creator。
从语料库构建一个单词字典，字典的键是word，值是这些单词从0开始的ID。
imikolov训练数据集的creator。
它返回一个reader creator, reader中的每个样本的是一个单词ID元组。
- 参数：
- word_idx (dict) – 词典
- n (int) – 如果类型是ngram，表示滑窗大小；否则表示序列最大长度
- data_type (数据类型的成员变量(NGRAM 或 SEQ)) – 数据类型 (ngram 或 sequence)
返回： 训练数据集的reader creator
返回类型：callable
imikolov测试数据集的creator。
它返回一个reader creator, reader中的每个样本的是一个单词ID元组。
- 参数：
- word_idx (dict) – 词典
- n (int) – 如果类型是ngram，表示滑窗大小；否则表示序列最大长度
- data_type (数据类型的成员变量(NGRAM 或 SEQ)) – 数据类型 (ngram 或 sequence)
返回： 测试数据集的reader creator
返回类型：callable
将数据集转换为recordio格式。
movielens¶
Movielens 1-M数据集。
Movielens 1-M数据集是由GroupLens Research采集的6000个用户对4000个电影的的100万个评级。 该模块将从 http://files.grouplens.org/datasets/movielens/ml-1m.zip 下载Movielens 1-M数据集，并将训练集和测试集解析为paddle reader creator。
获取电影标题词典。
获取电影ID的最大值。
获取用户ID的最大值。
获取职业ID的最大值。
获取电影类别词典。
获取用户信息词典。
获取电影信息词典。
将数据集转换为recordio格式。
电影ID，标题和类别信息存储在MovieInfo中。
用户ID，性别，年龄和工作信息存储在UserInfo中。
sentiment¶
脚本获取并预处理由NLTK提供的movie_reviews数据集。
按照样本中出现的单词的频率对单词进行排序。
返回： words_freq_sorted
默认的训练集reader creator。
默认的测试集reader creator。
将数据集转换为recordio格式。
uci_housing¶
UCI Housing数据集。
该模块将从 https://archive.ics.uci.edu/ml/machine-learning-databases/housing/下载数据集，并将训练集和测试集解析为paddle reader creator。
UCI_HOUSING训练集creator。
它返回一个reader creator，reader中的每个样本都是正则化和价格编号后的特征。
返回：训练集reader creator
返回类型：callable
UCI_HOUSING测试集creator。
它返回一个reader creator，reader中的每个样本都是正则化和价格编号后的特征。
返回：测试集reader creator
返回类型：callable
wmt14¶
WMT14数据集。 原始WMT14数据集太大，所以提供了一组小数据集。 该模块将从 http://paddlepaddle.cdn.bcebos.com/demo/wmt_shrinked_data/wmt14.tgz 下载数据集，并将训练集和测试集解析为paddle reader creator。
WMT14训练集creator。
它返回一个reader creator，reader中的每个样本都是源语言单词ID序列，目标语言单词ID序列和下一个单词ID序列。
返回：训练集reader creator
返回类型：callable
WMT14测试集creator。
它返回一个reader creator，reader中的每个样本都是源语言单词ID序列，目标语言单词ID序列和下一个单词ID序列。
返回：测试集reader creator
返回类型：callable
将数据集转换为recordio格式。
wmt16¶
ACL2016多模式机器翻译。 有关更多详细信息，请访问此网站：http://www.statmt.org/wmt16/multimodal-task.html#task1
如果您任务中使用该数据集，请引用以下文章：Multi30K：多语言英语 - 德语图像描述。
@article{elliott-EtAl:2016:VL16, author = {{Elliott}, D. and {Frank}, S. and {Sima”an}, K. and {Specia}, L.}, title = {Multi30K: Multilingual English-German Image Descriptions}, booktitle = {Proceedings of the 6th Workshop on Vision and Language}, year = {2016}, pages = {70–74}, year = 2016 }
WMT16训练集reader（读取器）。
此功能返回可读取训练数据的reader。 reader返回的每个样本由三个字段组成：源语言单词索引序列，目标语言单词索引序列和下一单词索引序列。
注意：训练数据的原始内容如下： http://www.quest.dcs.shef.ac.uk/wmt16_files_mmt/training.tar.gz
paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的tokenized版本： https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
- 参数：
- src_dict_size (int) – 源语言词典的大小。三个特殊标记将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- trg_dict_size (int) – 目标语言字典的大小。三个特殊标记将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- src_lang (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
返回: 读训练集数据的reader
返回类型: callable
WMT16测试(test)集reader。
此功能返回可读取测试数据的reader。reader返回的每个样本由三个字段组成：源语言单词索引序列，目标语言单词索引序列和下一单词索引序列。
注意：原始测试数据如下： http://www.quest.dcs.shef.ac.uk/wmt16_files_mmt/mmt16_task1_test.tar.gz
paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的tokenized版本： https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
- 参数：
- src_dict_size (int) – 源语言词典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- trg_dict_size (int) – 目标语言字典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- src_lang (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
返回: 读测试集数据的reader
返回类型: callable
WMT16验证(validation)集reader。
此功能返回可读取验证数据的reader 。reader返回的每个样本由三个字段组成：源语言单词索引序列，目标语言单词索引序列和下一单词索引序列。
注意：验证数据的原始内容如下：http://www.quest.dcs.shef.ac.uk/wmt16_files_mmt/validation.tar.gz
paddle.dataset.wmt16使用moses的tokenization脚本提供原始数据集的tokenized版本：https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl
- 参数：
- src_dict_size (int) – 源语言词典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- trg_dict_size (int) – 目标语言字典的大小。三个特殊token将被添加到所述词典：<S>为起始标记，<E>为结束标记，<UNK>为未知单词。
- src_lang (string) – 一个字符串，指示哪种语言是源语言。 可用选项包括：英语为“en”，德国为“de”。
返回: 读集数据的reader
返回类型: callable
返回指定语言的词典(word dictionary)。
- 参数：
- lang （string） - 表示哪种语言是源语言的字符串。 可用选项包括：英语为“en”，德国为“de”。
- dict_size （int） - 指定语言字典的大小。
- reverse （bool） - 如果reverse设置为False，则返回的python字典将使用word作为键并使用index作为值。 如果reverse设置为True，则返回的python字典将使用index作为键，将word作为值。
返回：特定语言的单词词典。
返回类型： dict
下载完整的数据集。
将数据集转换为recordio格式。