跳到主要内容

文件名和切分

要托管和共享数据集，请在 Hugging Face Hub 上创建数据集仓库并上传数据文件。

本指南将向你展示在上传数据集仓库时如何命名文件和目录，并启用所有 Datasets Hub 功能（如数据集查看器）。查看配套的示例数据集集合了解更多详情。

具有支持的结构和文件格式的数据集会在 Hub 上的页面自动拥有数据集查看器。

请注意，如果下面的结构都不适合你的情况，你可以使用手动配置更好地控制如何定义切分和子集。

基本用例​

如果你的数据集没有分为训练/验证/测试切分，最简单的数据集结构是只有一个文件：data.csv（这适用于任何支持的文件格式和任何文件名）。

你的仓库还将包含一个 README.md 文件，这是显示在数据集页面上的数据集卡片。

my_dataset_repository/
├── README.md
└── data.csv

切分​

数据集仓库中的某些模式可用于将某些文件分配给训练/验证/测试切分。

文件名​

你可以根据 train、test 和 validation 切分命名数据文件：

my_dataset_repository/
├── README.md
├── train.csv
├── test.csv
└── validation.csv

如果你没有任何非传统切分，则可以将切分名称放在数据文件中的任何位置。唯一的规则是切分名称必须由非单词字符分隔，例如 test-file.csv 而不是 testfile.csv。支持的分隔符包括下划线、破折号、空格、点和数字。

例如，以下文件名都是可接受的：

  • train 切分：train.csv、my_train_file.csv、train1.csv
  • validation 切分：validation.csv、my_validation_file.csv、validation1.csv
  • test 切分：test.csv、my_test_file.csv、test1.csv

目录名​

你可以将数据文件放在名为 train、test 和 validation 的不同目录中，每个目录包含该切分的数据文件：

my_dataset_repository/
├── README.md
└── data/
    ├── train/
    │   └── data.csv
    ├── test/
    │   └── more_data.csv
    └── validation/
        └── even_more_data.csv

关键词​

有多种方式可以指代训练/验证/测试切分。验证切分有时称为 "dev"，测试切分可能称为 "eval"。 这些其他切分名称也受支持，以下关键词是等效的：

  • train, training
  • validation, valid, val, dev
  • test, testing, eval, evaluation

因此，下面的结构是一个有效的仓库：

my_dataset_repository/
├── README.md
└── data/
    ├── training.csv
    ├── eval.csv
    └── valid.csv

每个切分多个文件​

切分可以跨越多个文件，例如：

my_dataset_repository/
├── README.md
├── train_0.csv
├── train_1.csv
├── train_2.csv
├── train_3.csv
├── test_0.csv
└── test_1.csv

确保你的 train 集的所有文件名称中都包含 train（test 和 validation 也是如此）。 你甚至可以在文件名中为 train 添加前缀或后缀（例如 my_train_file_00001.csv）。

为了方便，你也可以将数据文件放在不同的目录中。 在这种情况下，切分名称从目录名称推断。

my_dataset_repository/
├── README.md
└── data/
    ├── train/
    │   ├── shard_0.csv
    │   ├── shard_1.csv
    │   ├── shard_2.csv
    │   └── shard_3.csv
    └── test/
        ├── shard_0.csv
        └── shard_1.csv

自定义切分名称​

如果你的数据集切分具有不是 train、test 或 validation 的自定义名称，则可以将数据文件命名为 data/<split_name>-xxxxx-of-xxxxx.csv。

以下是一个包含三个切分 train、test 和 random 的示例：

my_dataset_repository/
├── README.md
└── data/
    ├── train-00000-of-00003.csv
    ├── train-00001-of-00003.csv
    ├── train-00002-of-00003.csv
    ├── test-00000-of-00001.csv
    ├── random-00000-of-00003.csv
    ├── random-00001-of-00003.csv
    └── random-00002-of-00003.csv
最后于 更新