torchtext.datasets¶
警告
torchtext 支持的数据集是来自 torchdata 的数据管道
项目，该项目仍处于 Beta 阶段
地位。这意味着 API 可以更改而不会被弃用
周期。特别是，我们预计当前的许多习语会随着
FROM 的最终发布。DataLoaderV2torchdata
以下是有关使用 datapipes 的一些建议：
要对数据管道进行随机排序，请在 DataLoader 中执行此操作：。 您无需调用 ，因为 has 已经为你做了。但请注意，datapipe 不会是 shuffled，除非您明确传递给 DataLoader。
DataLoader(dp, shuffle=True)dp.shuffle()torchtextshuffle=True使用多进程 （） 时，请使用内置的 ：
num_workers=Nworker_init_fnfrom torch.utils.data.backward_compatibility import worker_init_fn DataLoader(dp, num_workers=4, worker_init_fn=worker_init_fn, drop_last=True)
这将确保数据不会在 worker 之间重复。
我们还建议使用 .如果没有此 API，则 batch 大小 在某些情况下，纪元结束时可能非常小（小于 其他地图样式数据集）。这可能会特别严重影响准确性 当使用 batch-norm 时。 确保所有批量大小 相等。
drop_last=Truedrop_last=True分布式训练尚未完全使用 stable / supported，我们目前不推荐它。它将是 在 DataLoaderV2 中得到更好的支持。如果您仍希望使用 DDP，请确保 那：
DistributedDataParallel所有工作程序（DDP 工作程序和 DataLoader 工作程序）都会看到不同的部分 的数据。数据集已经包装在 ShardingFilter 中，您可能需要调用 跨等级 （DDP 工作程序） 和 DataLoader 工作程序的数据。一种方法 是创建具有适当 分片数量（DDP 工作线程 * DataLoader 工作线程）和分片 ID（通过排名推断） 和相应 DataLoader 的 worker ID withing rank）。但请注意，这假定 所有等级的 DataLoader worker 数量相等。
dp.apply_sharding(num_shards, shard_id)worker_init_fnapply_sharding所有 DDP 工作程序都处理相同数量的批次。一种方法 是将每个 worker 中 datapipe 的大小限制为 ，但这可能并不适合所有人 用例。
len(datapipe) // num_ddp_workersshuffle seed 在所有 worker 中都是相同的。你可能需要 叫
torch.utils.data.graph_settings.apply_shuffle_seed(dp, rng)洗牌种子在不同 epoch 中是不同的。
RNG 的其余部分（通常用于转换）在不同的工作程序中是不同的，以实现最大的熵和最佳的准确性。
一般使用案例如下：
# import datasets
from torchtext.datasets import IMDB
train_iter = IMDB(split='train')
def tokenize(label, line):
return line.split()
tokens = []
for label, line in train_iter:
tokens += tokenize(label, line)
以下数据集当前可用。如果您想做出贡献 将新数据集添加到存储库或使用您自己的自定义数据集，请参阅 CONTRIBUTING_DATASETS.md 指南。
文本分类¶
AG_NEWS¶
- torchtext.datasets 中。AG_NEWS（root： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'test'））[来源]¶
AG_NEWS 数据集
警告
目前，使用 datapipes 仍需注意一些事项。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://paperswithcode.com/dataset/ag-news
- 每个拆分的行数：
火车 ： 120000
测试：7600
亚马逊评论Full¶
- torchtext.datasets 中。AmazonReviewFull（root： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
AmazonReview完整数据集
警告
目前，使用 datapipes 仍需注意一些事项。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车： 3000000
测试：650000
亚马逊评论极性¶
- torchtext.datasets 中。AmazonReviewPolarity（root： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
AmazonReviewPolarity 数据集
警告
目前，使用 datapipes 仍需注意一些事项。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车： 3600000
测试：400000
可乐¶
DB百科¶
- torchtext.datasets 中。DBpedia（root： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'test'））[来源]¶
DBpedia 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://www.dbpedia.org/resources/latest-core/
- 每个拆分的行数：
火车 ： 560000
测试：70000
IMDb¶
- torchtext.datasets 中。IMDB（根：str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
IMDB 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 http://ai.stanford.edu/~amaas/data/sentiment/
- 每个拆分的行数：
火车 ： 25000
测试：25000
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， test)
- 结果
DataPipe，生成标签（1 到 2）的元组和包含电影评论的文本
- 返回类型：
- 教程使用：
IMDB
MNLI¶
- torchtext.datasets 中。MNLI（root='.data'， split=（'train'， 'dev_matched'， 'dev_mismatched'））[来源]¶
MNLI 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关其他详细信息，请参阅 https://cims.nyu.edu/~sbowman/multinli/
- 每个拆分的行数：
火车： 392702
dev_matched： 9815
dev_mismatched： 9832
MRPC¶
- torchtext.datasets 中。MRPC（根：str = '.data'，拆分：Union[元组[str]，则 str] = （'train'， 'test'））[来源]¶
MRPC 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://www.microsoft.com/en-us/download/details.aspx?id=52398
- 每个拆分的行数：
火车： 4076
测试：1725
QNLI¶
- torchtext.datasets 中。QNLI（root='.data'， split=（'train'， 'dev'， 'test'））[来源]¶
QNLI 数据集
有关更多详细信息，请参阅 https://arxiv.org/pdf/1804.07461.pdf（来自 GLUE 纸）
- 每个拆分的行数：
火车： 104743
开发：5463
测试： 5463
QQP的¶
- torchtext.datasets 中。QQP（root： str）[来源]¶
QQP 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://quoradata.quora.com/First-Quora-Dataset-Release-Question-Pairs
即食¶
- torchtext.datasets 中。RTE（root='.data'， split=（'train'， 'dev'， 'test'））[来源]¶
RTE 数据集
有关更多详细信息，请参阅 https://aclweb.org/aclwiki/Recognizing_Textual_Entailment
- 每个拆分的行数：
火车 ： 2490
开发： 277
测试：3000
搜狗新闻¶
- torchtext.datasets 中。SogouNews（root： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'test'））[来源]¶
搜狗新闻数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车： 450000
测试：60000
- 参数：
root：保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'） split：返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， test)
- 返回：
DataPipe，它生成标签（1 到 5）的元组和包含新闻标题和内容的文本
- rtype 中：
（整数、str）
SST2¶
- torchtext.datasets 中。SST2（root='.data'， split=（'train'， 'dev'， 'test'））[来源]¶
SST2 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://nlp.stanford.edu/sentiment/
- 每个拆分的行数：
火车： 67349
开发： 872
测试：1821
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， dev， test)
- 结果
DataPipe 生成文本和/或标签的元组（1 到 4）。测试拆分仅返回文本。
- 返回类型：
- 教程使用：
SST2
STSB公司¶
- torchtext.datasets 中。STSB（root='.data'， split=（'train'， 'dev'， 'test'））[来源]¶
STSB 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://ixa2.si.ehu.eus/stswiki/index.php/STSbenchmark
- 每个拆分的行数：
火车： 5749
开发： 1500
测试： 1379
WNLI¶
- torchtext.datasets 中。WNLI（root='.data'， split=（'train'， 'dev'， 'test'））[来源]¶
WNLI 数据集
有关更多详细信息，请参阅 https://arxiv.org/pdf/1804.07461v3.pdf
- 每个拆分的行数：
火车 ： 635
开发： 71
测试： 146
雅虎答案¶
- torchtext.datasets 中。YahooAnswers（root： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
YahooAnswers 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车 ： 1400000
测试：60000
YelpReviewFull¶
- torchtext.datasets 中。YelpReviewFull（root： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
YelpReview完整数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车： 650000
测试：50000
YelpReview极性¶
- torchtext.datasets 中。YelpReviewPolarity（root： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
YelpReview极性数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://arxiv.org/abs/1509.01626
- 每个拆分的行数：
火车 ： 560000
测试：38000
语言建模¶
宾夕法尼亚树岸¶
- torchtext.datasets 中。PennTreebank（root='.data'， split： Union[元组[str]， str] = （'train'， 'valid'， 'test'）））[来源]¶
PennTreebank 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关其他详细信息，请参阅 https://catalog.ldc.upenn.edu/docs/LDC95T7/cl93.html
- 每个拆分的行数：
火车： 42068
有效期： 3370
测试：3761
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， valid， test)
- 结果
DataPipe 从 Treebank 语料库生成文本
- 返回类型：
维基文本-2¶
- torchtext.datasets 中。WikiText2（root： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'valid'， 'test'））[来源]¶
WikiText2 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://blog.salesforceairesearch.com/the-wikitext-long-term-dependency-language-modeling-dataset/
- 每个拆分的行数：
火车： 36718
有效期： 3760
测试： 4358
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， valid， test)
- 结果
从 Wikipedia 文章中生成文本的 DataPipe
- 返回类型：
维基文本103¶
- torchtext.datasets 中。WikiText103（根： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'valid'， 'test'））[来源]¶
WikiText103 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://blog.salesforceairesearch.com/the-wikitext-long-term-dependency-language-modeling-dataset/
- 每个拆分的行数：
火车： 1801350
有效期： 3760
测试： 4358
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值：（train， valid， test)
- 结果
从 Wikipedia 文章中生成文本的 DataPipe
- 返回类型：
机器翻译¶
IWSLT2016¶
- torchtext.datasets 中。IWSLT2016（root='.data'， split=（'train'， 'valid'， 'test'）， language_pair=（'de'， 'en'）， valid_set='tst2013'， test_set='tst2014'）[来源]¶
IWSLT2016 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://wit3.fbk.eu/2016-01
可用的数据集包括：
语言对：
“en”
“fr”
“de”
“cs”
“AR” （AR） （AR） （英语
“en”
x
x
x
x
“fr”
x
“de”
x
“cs”
x
“AR” （AR） （AR） （英语
x
有效/测试集： [“dev2010”， “tst2010”， “tst2011”， “tst2012”， “tst2013”， “tst2014”]
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值： （'train'， 'valid'， 'test'）
language_pair – 包含 src 和 tgt 语言的元组或列表
valid_set – 用于标识验证集的字符串。
test_set – 用于标识测试集的字符串。
- 结果
DataPipe 生成源句子和目标句子的元组
- 返回类型：
例子
>>> from torchtext.datasets import IWSLT2016 >>> train_iter, valid_iter, test_iter = IWSLT2016() >>> src_sentence, tgt_sentence = next(iter(train_iter))
IWSLT2017¶
- torchtext.datasets 中。IWSLT2017（root='.data'， split=（'train'， 'valid'， 'test'）， language_pair=（'de'， 'en'））[来源]¶
IWSLT2017 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://wit3.fbk.eu/2017-01
可用的数据集包括：
语言对：
“en”
“nl”
“de”
“它”
“RO”
“en”
x
x
x
x
“nl”
x
x
x
x
“de”
x
x
x
x
“它”
x
x
x
x
“RO”
x
x
x
x
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值： （'train'， 'valid'， 'test'）
language_pair – 包含 src 和 tgt 语言的元组或列表
- 结果
DataPipe 生成源句子和目标句子的元组
- 返回类型：
例子
>>> from torchtext.datasets import IWSLT2017 >>> train_iter, valid_iter, test_iter = IWSLT2017() >>> src_sentence, tgt_sentence = next(iter(train_iter))
Multi30k¶
- torchtext.datasets 中。Multi30k（root： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'valid'， 'test'）， language_pair： 元组[str] = （'de'， 'en'））[来源]¶
Multi30k 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://www.statmt.org/wmt16/multimodal-task.html#task1
- 每个拆分的行数：
火车 ： 29000
有效期： 1014
测试：1000
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
split – 要返回的 split 或 split。可以是字符串或字符串元组。默认值： （'train'， 'valid'， 'test'）
language_pair – 包含 src 和 tgt 语言的元组或列表。可用选项包括 （'de'，'en'） 和 （'en'， 'de'）
- 结果
DataPipe 生成源句子和目标句子的元组
- 返回类型：
- 教程使用：
Multi30k
序列标记¶
CoNLL2000分块¶
- torchtext.datasets 中。CoNLL2000Chunking（根： str = '.data'， split： Union[Tuple[str]， str] = （'train'， 'test'））[来源]¶
CoNLL2000Chunking 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关其他详细信息，请参阅 https://www.clips.uantwerpen.be/conll2000/chunking/
- 每个拆分的行数：
火车： 8936
测试时间：2012 年
UDPOS¶
问题解答¶
SQuAD 1.0¶
SQuAD 2.0¶
- torchtext.datasets 中。SQuAD2（根： str = '.data'， split： Union[Tuple[str]、 str] = （'train'， 'dev'））[来源]¶
SQuAD2 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://rajpurkar.github.io/SQuAD-explorer/
- 每个拆分的行数：
火车： 130319
开发：11873
无监督学习¶
CC100 系列¶
- torchtext.datasets 中。CC100（根：str，language_code：str = 'en'）[来源]¶
CC100 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 https://data.statmt.org/cc-100/
EnWik9¶
- torchtext.datasets 中。EnWik9（根：str）[来源]¶
EnWik9 数据集
警告
使用 DataPipes 目前仍需注意一些问题。如果您愿意 将此数据集用于 shuffling、multi-processing 或 distributed 学习，请参阅此说明以了解更多信息 指示。
有关更多详细信息，请参阅 http://mattmahoney.net/dc/textdata.html
数据集中的行数：13147026
- 参数
root – 保存数据集的目录。默认值： os.path.expanduser（'~/.torchtext/cache'）
- 结果
从 WnWik9 数据集生成原始文本行的 DataPipe
- 返回类型：