深度学习开放数据集

来源：DeepLearning4J

原文地址：https://deeplearning4j.org/cn/opendata

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

• 开源生物特征识别数据
• 谷歌Audioset：包含取自YouTube视频的2,084,320条人工标记的10秒声音片段，数据集本体由632种音频事件类别组成，目前仍在不断扩大。
• 优步20亿行程数据：逐步开放20亿次行程的数据。
• 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）。

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。

_ITEMS_TO_DESCRIPTIONS = {
    'image': 'A [32 x 32 x 3] color image.',
    'label': 'A single integer between 0 and 9',
}

• 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”。
• flower：图像大小不固定。http://www.robots.ox.ac.uk/~vgg/data/flowers/

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

• Arcade Universe：－一个人工数据集生成器，图像包括各种电子游戏形象，比如俄罗斯方块中的五连/四连方块。这一生成器基于O. Breleux的bugland数据集生成器。
• 受BabyAISchool的构想启发的一系列数据集
• BabyAIShapesDatasets：分辨三种简单的形状
• BabyAIImageAndQuestionDatasets：一个“问题－图像－回答”数据集
• 为对深度学习架构开展实证评价研究而生成的数据集（DeepVsShallowComparisonICML2007）：
• MnistVariations：在MNIST数据集中引入可控变化
• RectanglesData：区分宽的和高的长方形
• ConvexNonConvex：区分凸多边形和凹多边形
• BackgroundCorrelation：控制有噪声的MNIST背景中的像素关联程度。

脸部图像数据集

• 自然脸部检测（LFW）数据集：包含13000幅经裁剪的脸部区域图像（采用Viola-Jones检测框架），标记了图中人的姓名。数据集中的一部分人有两幅图像，人们常用它训练脸部匹配系统。
• UMD Faces：已标注的人脸图像数据集，包括来自8501个人的367920幅脸部图像。
• CASIA WebFace：包含453453幅人脸图像的数据集，经人脸检测后共识别出超过10575个身份。需要进行一些筛选来提高质量。
• MS-Celeb-1M：100万幅世界名人图像。需要进行一些筛选才能在深度神经网络上取得最佳结果。
• Olivetti：一些人的不同脸部图像。
• Multi-Pie：CMU的Multi-PIE人脸数据库
• Face-in-Action
• JACFEE：日本人和高加索人不同情绪的脸部表情
• FERET：脸部识别技术数据库
• mmifacedb：MMI脸部表情数据库
• IndianFaceDatabase
• 耶鲁人脸数据库和耶鲁人脸数据库B)。

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

• Piano-midi.de：古典钢琴乐曲
• Nottingham：1000多首民歌
• MuseData：古典音乐电子乐谱库
• JSB Chorales：众赞歌四声部合唱乐谱

其他数据集

• CMU动作捕捉数据集
• Brodatz数据集：纹理建模
• 来自CERN的大型强子对撞机（LHC）的300TB高质量数据
• 纽约市出租车数据集：依据美国信息自由法提出要求后获得的纽约市出租车数据，造成了隐私问题。
• 优步FOIL数据集：依据美国信息自由法（FOIL）提出要求后获得的纽约市的450万次优步行程数据。
• Criteo点击流数据：来自欧洲一家大型重定向广告公司的大型互联网广告数据集。

卫生与生物数据

• 欧盟传染病监测地图
• 默克分子活性预测挑战赛
• 麝香数据集：麝香数据集描述了不同构象的分子。每种分子或者是麝香，或者是非麝香，而这一属性由某一种构象决定。

政府与统计数据

• Data USA：最全面的美国公共数据可视化网站
• 欧盟性别统计数据库
• 荷兰国家地理信息数据库（荷兰语）

• 联合国开发计划署项目

• 感谢deeplearning.net和Luke de Oliveira提供多项链接和数据集说明。欢迎提出其他任何值得向Deeplearning4j社区介绍的开数据集！