深度学习开放数据集

本页为您整理汇总了各类可供机器学习研究使用的高质量数据集。欢迎您为本页列表推荐新的数据集!您还可以在维基百科等其他地方找到类似的数据集一览表。

最近添加

自然图像数据集

  • MNIST:手写数字:最常用的合理性检验数据集,由黑白手写数字图像组成,图像大小为25x25,数字居中显示。MNIST是一项比较简单的任务,通过MNIST测试不一定表明模型本身能有效运作。
  • CIFAR10 / CIFAR100:32×32自然图像数据集,10或100种类别。目前已不再普遍使用,但还是可以用来进行合理性检验。
  • Caltech 101:101类物体的图片。
  • Caltech 256:256类物体的图片。
  • STL-10数据集:一个用于开发无监督特征学习、深度学习、自学习算法的图像识别数据集。与CIFAR-10相似但有些改动。
  • 街景门牌号码(SVHN)数据集: 来自谷歌街景的门牌号码图像,可将其视作自然的循环式MNIST数据集。
  • NORB:以不同照明及摆放方式摄制的玩具模型的双目图像。
  • Pascal VOC:通用图像分割/分类数据集,对建立实际图像标注网络的作用有限,但很适合作为基线。
  • Labelme:大型已标注图像数据集。
  • ImageNet:各类新算法实际使用的图像数据集。ImageNet采用包含1000种类别的WordNet分类层级,而许多图像API公司的REST接口提供的标签似乎都与ImageNet的体系颇为相似。
  • LSUN:用于场景理解和多项辅助任务(房间布局估测、显著性预测等)的竞赛数据集。
  • MS COCO:通用图像理解/描述生成的竞赛数据集。
  • COIL 20:360度旋转拍摄的各类物体图像。
  • COIL100 :360度旋转拍摄的各类物体图像。
  • 谷歌开放图像数据集:汇集了900万条图像URL链接,经创作共用协议授权,所有图像“均已用6000多种类别的标签进行标注”。

地理空间数据

  • OpenStreetMap:开放授权的数据集,包含整个地球的向量数据。包含美国统计局数据(的较老版本)。
  • Landsat8:整个地球表面的卫星照片,每隔数周更新一次。
  • NEXRAD: 多普勒雷达扫描的美国大气环境数据。

人工数据集

脸部图像数据集

视频数据集

  • Youtube-8M:用于视频理解研究的大型多样化已标记视频数据集。

文本数据集

  • 20个新闻组数据集:分类任务,将出现的词映射至新闻组ID。文本分类的经典数据集之一,通常可以用于纯分类算法的基准测试,或者用于验证任意一种IR/索引算法。
  • 路透社新闻数据集:(较老)纯分类用途的新闻电讯文本数据集。常用于教程。
  • Penn Treebank:用于下一词预测或下一字预测。
  • UCI垃圾邮件数据库Spambase:(较老)来自著名的UCI机器学习库的经典垃圾邮件数据集。该数据集经过细致的审编,因此可以作为个性化垃圾邮件筛选学习的基线。
  • 广播新闻数据集:用于下一词预测的经典大型文本数据集。
  • 文本分类数据集: 来自Zhang等人,2015;八个内容丰富的文本分类数据集,可用于新文本分类基线的基准测试。样例大小为120K至3.6M,问题所涉及的类别从两个到14个不等。数据集内容来自DBPedia、亚马逊、Yelp、雅虎和AG。
  • WikiText:取自高质量维基百科文章的大型语言模型语料库,由Salesforce MetaMind进行审编。
  • SQuAD:斯坦福问答数据集——用途广泛的问题回答及阅读理解数据集,每项问题的答案都是一段文本。
  • 十亿词数据集:大型通用语言模型数据集,常用于训练Word2Vec等词的分布式表示。
  • Common Crawl: 万兆字节级的网页爬取数据集——最常用于学习词向量。可通过亚马逊S3免费获取。数据集的内容从万维网爬取获得,因此也可以用作互联网的数据集。
  • 谷歌图书Ngram数据集:取自谷歌图书的连续词数据,是探索一个词何时开始被广泛使用的简易方法。
  • Yelp公开数据集:Yelp商户、评论及用户数据的子集,用于自然语言处理(NLP)。

问答

  • Maluuba新闻问答数据集:基于CNN新闻报道的1.2万对问答。
  • Quora问答对:Quora发布的首个数据集,包含副本/语义相似度标签。
  • CMU问答数据集:用维基百科文章人工生成的事实型问答对,配有难度评级。
  • Maluuba目标导向对话:程序型会话数据集,对话旨在完成一项任务或决策,常用于聊天机器人。
  • bAbi:来自Facebook人工智能研究所(FAIR)的综合型阅读理解及问答数据集。
  • 儿童图书测试:从古腾堡计划提供的儿童图书中提取问答对(问题 + 上下文、答案)作为基线,可以用于问题回答(阅读理解)和事实型查询。

情感

  • 多领域情感分析数据集:较老的学术型数据集。
  • IMDB:较老且相对较小的二元情感分类数据集。目前的研究论文中多改用更大的数据集来进行基准测试。
  • 斯坦福情感Treebank:斯坦福的情感数据集,每个句子的解析树的各个节点都有高精度的情感标注。

推荐和评价系统

  • Movielens:来自Movielens网站的电影评价数据,数据集有多个不同大小的版本,最小为演示版,最大为中型规模。
  • Million Song数据集:百万首流行歌曲:Kaggle提供的大型开源数据集,元数据丰富,适合进行混合型推荐系统的实验。
  • Last.fm:音乐推荐数据集,可访问基础社交网络及其他类型的元数据,可用于混合型系统。
  • Book-Crossing数据集:来自Book-Crossing社区。包括278858位用户对271379本书的1149780项评价。
  • Jester:73421位用户对100个笑话的410万项连续评价(-10.00到+10.00)。
  • Netflix Prize:Netflix发布了其电影评价数据集的匿名版本;其中包括1亿项评价,共有48万名用户参与评价,每人评价的电影数量为1部到所有17770部不等。首个大型Kaggle式数据挑战赛。由于隐私方面的问题,只能通过非官方渠道获取。

网络与图像

  • 亚马逊关联购买及评价数据:从亚马逊的“购买了该商品的用户还购买了……”部分爬取的数据,以及相关产品的评价数据。适合在互联网中进行推荐系统测试。
  • Friendster社交网络数据集:在转型为游戏网站前,Friendster曾以好友列表的形式公开了103750348名用户的匿名数据。

语音数据集

  • 2000 HUB5英语数据: 英语语音数据集,百度最近的深度语音识别论文中采用了该数据集。
  • LibriSpeech:包括文本和语音的有声书数据集。由多位朗读者朗读的有声书录音,总计近500小时,语音清晰,按章节划分,同时包含文本和语音。
  • VoxForge:清晰的带口音英语语音数据集,可用于提高算法遇到不同口音或语调时的稳健性。
  • TIMIT: 英语语音识别数据集。
  • CHIME:嘈杂环境语音识别挑战赛数据集,包含了真实、模拟和清晰的语音数据。真实语音是4位讲话人在超过4个嘈杂地点录制的近9000条录音,模拟语音是用多种环境噪音与语音叠加生成的录音,而清晰语音则是无噪音的录音。
  • TED-LIUM: TED演讲的音频文字稿。1495段TED演讲的录音及其完整转录文字稿。

符号化音乐数据集

其他数据集

卫生与生物数据

政府与统计数据

与我们在Gitter聊天