部分数据集

为防丢失，进行记录

大学公开数据集

(Stanford)69G大规模无人机(校园)图像数据集【Stanford】

http://cvgl.stanford.edu/projects/uav_data/

人脸素描数据集【CUHK】

http://mmlab.ie.cuhk.edu.hk/archive/facesketch.html

自然语言推理(文本蕴含标记)数据集【NYU】

https://www.nyu.edu/projects/bowman/multinli/

Berkeley图像分割数据集BSDS500【Berkeley】

https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html

宠物图片(分割)数据集【Oxford】

http://www.robots.ox.ac.uk/~vgg/data/pets/

发布ADE20K场景感知/解析/分割/多目标识别数据集【MIT】

https://groups.csail.mit.edu/vision/datasets/ADE20K/

多模态二元行为数据集【GaTech】

http://www.cbi.gatech.edu/mmdb/

计算机视觉／图像／视频数据集

Fashion-MNIST风格服饰图像数据集【肖涵】

https://github.com/zalandoresearch/fashion-mnist

大型(50万)LOGO标志数据集

https://data.vision.ee.ethz.ch/cvl/lld/

4D扫描(60fps移动非刚性物体3D扫描)数据集【D-FAUST】

http://dfaust.is.tue.mpg.de

基于MNIST的视觉计数合成数据集Counting MNIST

http://fomoro.com/tools/counting-mnist/

YouTube MV视频数据集【Keunwoo Choi】

https://github.com/keunwoochoi/YouTube-music-video-5M

计算机视觉合成数据集/工具大列表【unrealcv】

https://github.com/unrealcv/synthetic-computer-vision

动物属性标记数据集【ChristophH. Lampert／Daniel Pucher／JohannesDostal】

http://cvml.ist.ac.at/AwA2/

日本漫画数据集Manga109

http://dl.acm.org/citation.cfm?doid=3011549.3011551

俯拍舞蹈视频数据集

http://homepages.inf.ed.ac.uk/rbf/CEILIDHDATA/

Pixiv(着色)图片数据集【Jerry Li】

https://github.com/jerryli27/pixiv_dataset

e-VDS视频数据集

https://engineering.purdue.edu/elab/eVDS/#download

Quick, Draw!简笔画涂鸦数据集

https://github.com/googlecreativelab/quickdraw-dataset

简笔画涂鸦数据集【hardmaru】

https://github.com/hardmaru/sketch-rnn-datasets

服饰人像生成模型(&Chictopia10K[HumanParsing]时尚人像解析数据集)【Christoph Lassner／Gerard Pons-Moll／Peter V. Gehler】

http://files.is.tue.mpg.de/classner/gp/

COCO像素级标注数据集

https://github.com/nightrome/cocostuff

大规模街道级图片(分割)数据集【Peter Kontschieder】

http://blog.mapillary.com/product/2017/05/03/mapillary-vistas-dataset.html

大规模日语图片描述数据集

https://github.com/STAIR-Lab-CIT/STAIR-captions

Cityscapes街景语义分割数据集（50城30类5k细标20k粗标图片及标记视频）

https://github.com/mcordts/cityscapesScripts

(街头)时尚服饰数据集(2000+标注图片)

https://github.com/bearpaw/clothing-co-parsing 

PyTorch实现的VOC2012数据集Pixel-wise目标分割【BodoKaiser】

https://github.com/bodokaiser/piwise

Twenty Billion Neurons对象复杂运动与交互视频数据集【Nikita Johnson】

https://www.re-work.co/blog/the-something-something-video-dataset 

文本／评价／问答／自然语言数据集

(20万)英文笑话数据集【TaivoPungas】

https://github.com/taivop/joke-dataset

机器学习保险行业问答开放数据集【HainWang】

https://github.com/shuzi/insuranceQA

保险行业问答(QA)数据集【Minwei Feng】

https://github.com/shuzi/insuranceQA

Stanford NLP发布新的多轮、跨域、任务导向对话数据集【Mihail Eric】

https://github.com/keunwoochoi/YouTube-music-video-5M

实体/名词语义关系标记数据集【David S. Batista】

https://github.com/davidsbatista/Annotated-Semantic-Relationships-Datasets

NLVR：自然语言基础数据集(对象分组、数量、比较及空间关系推理)

http://lic.nlp.cornell.edu/nlvr/

2.8万文章/10万问题大规模(英语考试)阅读理解数据集

https://github.com/qizhex/RACE_AR_baselines

错误拼写数据集

http://www.dcs.bbk.ac.uk/~ROGER/corpora.html

文本简化数据集

http://www.cs.pomona.edu/~dkauchak/simplification/

英语词/句/语义框架框架标注数据集FrameNet

https://framenet.icsi.berkeley.edu/fndrupal/

(又一个)自然语言处理(NLP)数据集列表【Nicolas Iderhoff】

https://github.com/niderhoff/nlp-datasets 

跨语种/多样式/多粒度文本相似性检测数据集

https://github.com/FerreroJeremy/Cross-Language-Dataset

Quora数据集：400000行潜在重复问题

http://qim.ec.quoracdn.net/quora_duplicate_questions.tsv

文本分类数据集

http://disi.unitn.it/moschitti/corpora.htm

Frames：Maluuba对话数据集

https://datasets.maluuba.com/Frames/dl

跨域(Amazon商品评论)情感数据集

http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

语义网机器学习系统评价/基准数据集集合

http://dws.informatik.uni-mannheim.de/en/research/a-collection-of-benchmark-datasets-for-ml

其它数据集

数据科学/机器学习数据集汇总

https://elitedatascience.com/datasets

CORe50：连续目标识别数据集【VincenzoLomonaco&DavideMaltoni】

https://vlomonaco.github.io/core50/

(Matlab)数据集统计分布自动发现【Isabel Valera】

http://proceedings.mlr.press/v70/valera17a.html

(建筑物)损害评估数据集【tsunami】

https://github.com/faiton713/ABCDdataset

IndieWeb社交图谱数据集【IndieWeb】

http://www.indiemap.org

DeepMind开源环境/数据集/代码集合【DeepMind】

https://deepmind.com/research/open-source/

鸟叫声数据集【xeno-canto】

http://www.xeno-canto.org

Wolfram数据集仓库

https://datarepository.wolframcloud.com

大型音乐分析数据集FMA

https://github.com/mdeff/fma

(300万)Instacart在线杂货购物数据集【Jeremy Stanley】

https://tech.instacart.com/3-million-instacart-orders-open-sourced-d40d29ead6f2

用于欺诈检测的合成财务数据集【TESTIMON】

https://www.kaggle.com/ntnu-testimon/paysim1

NSynth：大规模高质量音符标记音频数据集

https://magenta.tensorflow.org/datasets/nsynth

LIBSVM格式分类/回归/多标签/字符串数据集

https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary.html

笔记本电脑用logistic回归拟合100G数据集【DmitriySelivanov】

http://dsnotes.com/post/2017-02-07-large-data-feature-hashing-and-online-learning-part-2/

StackExchange近似/重复问题数据集

http://nlp.cis.unimelb.edu.au/resources/cqadupstack/

2010-2017最全KDD CUP赛题回顾及数据集

http://suo.im/2kRoQ1

食谱数据集：带有评级、营养及类别信息的超过2万种食谱【HugoDarwood】

https://www.kaggle.com/hugodarwood/epirecipes

奥斯卡数据集【Academy of Motion Picture Arts and Sciences】

https://www.kaggle.com/theacademy/academy-awards

计算医疗库：(TensorFlow)大型医疗数据集分析与机器学习建模【AkshayBhat】

https://github.com/AKSHAYUBHAT/ComputationalHealthcare

聚类数据集

https://cs.joensuu.fi/sipu/datasets/

官方开放气候数据集

https://pan.baidu.com/s/1i52Xarb

全球恐怖袭击事件数据集【START Consortium】

https://www.kaggle.com/START-UMD/gtd

七个机器学习时序数据集

https://machinelearningmastery.com/time-series-datasets-for-machine-learning/

大型众包关系数据库自然语言查询语义解析数据集(8万+查询样本)

http://t.cn/RNMr09n

赛马赔率数据集

http://t.cn/RNf0tXN

新的YELP数据集：包含470万评论和15.6万商家

http://t.cn/RNG6JYi

JMIR数据集专刊《JMIR Data》

http://t.cn/RCIhmvS

用于评价监督机器学习算法的基准数据集

https:// github.com/EpistasisLab/penn-ml-benchmarks

人口普查收入数据集分类

https:// github.com/dformoso/sklearn-classification

日文木版印刷文字识别数据集

http://t.cn/RCZPfYB

多模态二元行为数据集

http://t.cn/RCzFn1g

(TensorFlow)AudioSet音频事件数据集分类模型

GitHub: tensorflow/models/tree/master/audioset

Facebook星际争霸游戏数据集

(TorchCraft可读/365GB/6万多场次/15亿帧画面/近5亿用户操作)

http://t.cn/R9j8AUM

机器学习论文/数据集/工具集锦(日文)

http://t.cn/RKV7x2A

机器学习公司的十大数据搜集策略

http://t.cn/R54rtvd

NLP数据集加载工具集

http://t.cn/RaYwYXl

日语相似词数据集

http://t.cn/RaVFV35

大规模人本完形填空(多选阅读理解)数据集

http://t.cn/Rac2Pey

高质量免费数据集列表

http://t.cn/R6B1aqa

《数据之美》自然语言数据集/代码

http://t.cn/hBOTM4

微软数据集MS MARCO，阅读理解领域的「ImageNet」

http://t.cn/RIMqGBK

AI2科学问答数据集(多选)

http://t.cn/RI5liwJ

常用图像数据集大全

（分类，跟踪，分割，检测等）

1. 搜狗实验室数据集：

http://www.sogou.com/labs/dl/p.html

互联网图片库来自sogou图片搜索所索引的部分数据。其中收集了包括人物、动物、建筑、机械、风景、运动等类别，总数高达2,836,535张图片。对于每张图片，数据集中给出了图片的原图、缩略图、所在网页以及所在网页中的相关文本。200多G

2. http://www.imageclef.org/

IMAGECLEF致力于位图片相关领域提供一个基准（检索、分类、标注等等） Cross Language Evaluation Forum (CLEF) 。从2003年开始每年举行一次比赛.

http://staff.science.uva.nl/~xirong/index.php?n=Main.Dataset

 

最近新增数据集

1. 开源生物识别数据。

地址：http://openbiometrics.org/

2. Google Audioset：扩展了 632 个音频分类样本，并从 YouTube 视频中提取了 2，084，320 个人类标记的 10 秒声音片段。

地址：https://research.google.com/audioset/

3. Uber 2B trip data：首次展示 2 百万公里的出行数据。

地址：https://movement.uber.com/cities

4. Yelp Open Dataset：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。

地址：https://www.yelp.com/dataset

5. Core50：用于连续目标识别的新数据集和基准。

地址：https://vlomonaco.github.io/core50/

6. Kaggle 数据集。

地址：https://www.kaggle.com/datasets

7. Data Portal。

地址：http://dataportals.org/

8. Open Data Monitor。

地址：https://opendatamonitor.eu/

9. Quandl Data Portal。

地址：https://www.quandl.com/

10. Mut1ny 头部/面部分割数据集。

地址：http://www.mut1ny.com/face-headsegmentation-dataset

11. Github 上的优秀公共数据集。

地址：https://www.kdnuggets.com/2015/04/awesome-public-datasets-github.html

12. 头部 CT 扫描数据集：491 次扫描的 CQ500 数据集。

地址：http://headctstudy.qure.ai/

02

自然图像数据集

1. MNIST：手写数字图像。最常用的可用性检查。格式 25x25、居中、黑白手写数字。这是一项简单的任务——仅某部分适用于 MNIST，不意味着它有效。

地址：http://yann.lecun.com/exdb/mnist/

2. CIFAR10 / CIFAR100：32x32 彩色图像，10/100 类。虽然仍有趣却不再常用的可用性检查。

地址：http://www.cs.utoronto.ca/~kriz/cifar.html

3. Caltech 101：101 类物体的图片。

地址：http://www.vision.caltech.edu/Image_Datasets/Caltech101/

4. Caltech 256：256 类物体的图片。

地址：http://www.vision.caltech.edu/Image_Datasets/Caltech256/

5. STL-10 数据集：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。像修改过的 CIFAR-10。

地址：http://cs.stanford.edu/~acoates/stl10/

6. The Street View House Numbers (SVHN)：Google 街景中的门牌号码。可以把它想象成复现的户外 MNIST。

地址：http://ufldl.stanford.edu/housenumbers/

7. NORB：玩具摆件在各种照明和姿势下的双目图像。

地址：http://www.cs.nyu.edu/~ylclab/data/norb-v1.0/

8. Pascal VOC：通用图像分割/分类——对于构建真实世界图像注释不是非常有用，但对基线很有用。

地址：http://pascallin.ecs.soton.ac.uk/challenges/VOC/

9. Labelme：带注释图像的大型数据集。

地址：http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

10. ImageNet：新算法的客观图像数据集（de-facto image dataset）。许多图像 API 公司都有来自其 REST 接口的标签，这些标签近 1000 类;WordNet; ImageNet 的层次结构。

地址：http://image-net.org/

11. LSUN：具有很多辅助任务的场景理解（房间布局估计，显著性预测（saliency prediction）等），有关联竞赛。（associated competition）。

地址：http://lsun.cs.princeton.edu/2016/

12. MS COCO：通用图像理解/说明，有关联竞赛。

地址：http://mscoco.org/

13. COIL 20：不同物体在 360 度旋转中以每个角度成像。

地址：http://www.cs.columbia.edu/CAVE/software/softlib/coil-20.php

14. COIL100：不同物体在 360 度旋转中以每个角度成像。

地址：http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

15. Google 开源图像：有 900 万张图像的网址集合，这些图像通过知识共享（Creative Commons）被标注成 6000 多个类别。

地址：https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

03

地理空间数据

1. OpenStreetMap：免费提供整个星球的矢量数据。它包含（旧版）美国人口普查局的数据。

地址：http://wiki.openstreetmap.org/wiki/Planet.osm

2. Landsat8：整个地球表面的卫星视角图，每隔几周更新一次。

地址：https://landsat.usgs.gov/landsat-8

3. NEXRAD：美国大气层的多普勒雷达扫描图。

地址：https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

我是深度学习图像的分割线

04

人工数据集

1. Arcade Universe：一个人工数据集生成器，图像包含街机游戏 sprite，如 tetris pentomino / tetromino。该生成器基于 O. Breleux 的 bugland 数据集生成器。

地址：https://github.com/caglar/Arcade-Universe

2. 以 Baby AI School 为灵感的数据集集合。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAISchool

3. Baby AI Shapes Dataset：区分 3 种简单形状。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIShapesDatasets

4. Baby AI Image And Question Dataset：一个问题-图像-答案数据集。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIImageAndQuestionDatasets

5. Deep Vs Shallow Comparison ICML2007：为实证评估深层架构而生成的数据集。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/DeepVsShallowComparisonICML2007

6. MnistVariations：在 MNIST 中引入受控变化。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/MnistVariations

7. RectanglesData：区分宽矩形和垂直矩形。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/RectanglesData

8. ConvexNonConvex：区分凸形和非凸形状。

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/ConvexNonConvex

9. BackgroundCorrelation：嘈杂 MNIST 背景下相关度的控制

地址：http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BackgroundCorrelation

05

人脸数据集

1. Labelled Faces in the Wild：13000 个经过裁剪的人脸区域（使用已经用名称标识符标记过的 Viola-Jones）。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。

地址：http://vis-www.cs.umass.edu/lfw/

 2. UMD Faces：有 8501 个主题的 367，920 个面孔的带注释数据集。

地址：http://www.umdfaces.io/

3. CASIA WebFace：超过 10，575 个人经面部检测的 453，453 张图像的面部数据集。需要一些质量过滤。

地址：http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html

4. MS-Celeb-1M：100 万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。

地址：https://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-million-celebrities-real-world/

5. Olivetti：一些人类的不同图像。

地址：http://www.cs.nyu.edu/~roweis/data.html

6. Multi-Pie：The CMU Multi-PIE Face 数据库。

地址：http://www.multipie.org/

7. Face-in-Action。

地址：http://www.flintbox.com/public/project/5486/

8. JACFEE：日本和白种人面部情绪表达的图像。

地址：http://www.humintell.com/jacfee/

9. FERET：面部识别技术数据库。

地址：http://www.itl.nist.gov/iad/humanid/feret/feret_master.html

10. mmifacedb：MMI 面部表情数据库。

地址：http://www.mmifacedb.com/

11. IndianFaceDatabase。

地址：http://vis-www.cs.umass.edu/~vidit/IndianFaceDatabase/

12. 耶鲁人脸数据库。

地址：http://vision.ucsd.edu/content/yale-face-database

13. 耶鲁人脸数据库 B。

地址：http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html

 14. Mut1ny 头部/面部分割数据集：像素超过 16K 的面部/头部分割图像

地址：http://www.mut1ny.com/face-headsegmentation-dataset

我是深度学习视频的分割线

06

视频数据集

Youtube-8M：用于视频理解研究的大型多样化标记视频数据集。

地址：https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html

07

文本数据集

1. 20 newsgroups：分类任务，将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何 IR /索引算法的验证。

地址：http://qwone.com/~jason/20Newsgroups/

2. 路透社新闻数据集：（较旧）纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。

地址：https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection

3. 宾州树库：用于下一个单词或字符预测。

地址：http://www.cis.upenn.edu/~treebank/

4. UCI‘s Spambase：来自著名的 UCI 机器学习库的（旧版）经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。

地址：https://archive.ics.uci.edu/ml/datasets/Spambase

5. Broadcast News：大型文本数据集，通常用于下一个单词预测。

地址：http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44

6. 文本分类数据集：来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等，范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo！和 AG。

地址：https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M

7. WikiText：来自维基百科高质量文章的大型语言建模语料库，由 Salesforce MetaMind 策划。

地址：http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/

8. SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。

地址：https://rajpurkar.github.io/SQuAD-explorer/

9. Billion Words 数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如 word2vec。

地址：http://www.statmt.org/lm-benchmark/

10. Common Crawl：网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。

地址：http://commoncrawl.org/the-data/

11. Google Books Ngrams：来自 Google book 的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。

地址：https://aws.amazon.com/datasets/google-books-ngrams/

12. Yelp 开源数据集：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。

地址：https://www.yelp.com/dataset

我是深度学习文本的分割线

08

问答数据集

1. Maluuba News QA 数据集：CNN 新闻文章中的 12 万个问答对。

地址：https://datasets.maluuba.com/NewsQA

2. Quora 问答对：Quora 发布的第一个数据集，包含重复/语义相似性标签。

地址：https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

3. CMU Q / A 数据集：手动生成的仿真问/答对，维基百科文章对其难度评分很高。

地址：http://www.cs.cmu.edu/~ark/QA-data/

4. Maluuba 面向目标的对话：程序性对话数据集，对话旨在完成任务或做出决定。常用于聊天机器人。

地址：https://datasets.maluuba.com/Frames

5. bAbi：来自 Facebook AI Research（FAIR）的综合阅读理解和问答数据集。

地址：https://research.fb.com/projects/babi/

6. The Children’s Book Test：Project Gutenberg 提供的儿童图书中提取的（问题+背景、答案）对的基线。用于问答（阅读理解）和仿真查找。

地址：http://www.thespermwhale.com/jaseweston/babi/CBTest.tgz

09

情感数据集

1. 多领域情绪分析数据集：较旧的学术数据集。

地址：http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

2. IMDB：用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。

地址：http://ai.stanford.edu/~amaas/data/sentiment/

3. Stanford Sentiment Treebank：标准情感数据集，在每个句子解析树的每个节点都有细粒度的情感注释。

地址：http://nlp.stanford.edu/sentiment/code.html

10

推荐和排名系统

1. Movielens：来自 Movielens 网站的电影评分数据集，各类大小都有。

地址：https://grouplens.org/datasets/movielens/

2. Million Song 数据集：Kaggle 上元数据丰富的大型开源数据集，可以帮助人们使用混合推荐系统。

地址：https://www.kaggle.com/c/msdchallenge

3. Last.fm：音乐推荐数据集，可访问深层社交网络和其它可用于混合系统的元数据。

地址：http://grouplens.org/datasets/hetrec-2011/

4. Book-Crossing 数据集：来自 Book-Crossing 社区。包含 278,858 位用户提供的约 271,379 本书的 1,149,780 个评分。

地址：http://www.informatik.uni-freiburg.de/~cziegler/BX/

5. Jester：来自 73,421 名用户对 100 个笑话的 410 万个连续评分（分数从-10 至 10）。

地址：http://www.ieor.berkeley.edu/~goldberg/jester-data/

6. Netflix Prize：Netflix 发布了他们的电影评级数据集的匿名版；包含 480,000 名用户对 17,770 部电影的 1 亿个评分。首个主要的 Kaggle 风格数据挑战。随着隐私问题的出现，只能提供非正式版。

地址：http://www.netflixprize.com/

我是深度学习图表的分割线

11

网络和图形

1. Amazon Co-Purchasing：亚马逊评论从「购买此产品的用户也购买了……」这一部分抓取数据，以及亚马逊相关产品的评论数据。适合在网络中试行推荐系统。

地址：http://snap.stanford.edu/data/#amazon

2. Friendster 社交网络数据集：在变成游戏网站之前，Friendster 以朋友列表的形式为 103,750,348 名用户发布了匿名数据。

地址：https://archive.org/details/friendster-dataset-201107

12

语音数据集

1. 2000 HUB5 English：最近在 Deep Speech 论文中使用的英语语音数据，从百度获取。

地址：https://catalog.ldc.upenn.edu/LDC2002T43

2. LibriSpeech：包含文本和语音的有声读物数据集。由多个朗读者阅读的近 500 小时的各种有声读物演讲内容组成，包含带有文本和语音的章节。

地址：http://www.openslr.org/12/

3. VoxForge：带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。

地址：http://www.voxforge.org/

4. TIMIT：英语语音识别数据集。

地址：https://catalog.ldc.upenn.edu/LDC93S1

5. CHIME：嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由 4 个扬声器在 4 个嘈杂位置的近 9000 个录音构成，仿真录音由多个语音环境和清晰的无噪声录音结合而成。

地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html

6. TED-LIUM：TED 演讲的音频转录。1495 个 TED 演讲录音以及这些录音的文字转录。

地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

我是深度学习音频的分割线

13

音符音乐数据集

1. Piano-midi.de: 古典钢琴曲

地址：http://www.piano-midi.de/

2. Nottingham : 超过 1000 首民谣

地址：http://abc.sourceforge.net/NMD/

3. MuseData: 古典音乐评分的电子图书馆

地址：http://musedata.stanford.edu/

4. JSB Chorales: 四部协奏曲

地址：http://www.jsbchorales.net/index.shtml

14

其它数据集

1. CMU 动作抓取数据集。

地址：http://mocap.cs.cmu.edu/

2. Brodatz dataset：纹理建模。

地址：http://www.ux.uis.no/~tranden/brodatz.html

3. 来自欧洲核子研究中心的大型强子对撞机（LHC）的 300TB 高质量数据。

地址：http://opendata.cern.ch/search?ln=en&p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets

4. 纽约出租车数据集：由 FOIA 请求而获得的纽约出租车数据，导致隐私问题。

地址：http://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml

5. Uber FOIL 数据集：来自 Uber FOIL 请求的纽约 4.5M 拾取数据。

地址：https://github.com/fivethirtyeight/uber-tlc-foil-response

6. Criteo 点击量数据集：来自欧盟重新定位的大型互联网广告数据集。

地址：http://research.criteo.com/outreach/

15

健康 &生物数据

1. 欧盟传染病监测图集。

地址：http://ecdc.europa.eu/en/data-tools/atlas/Pages/atlas.aspx

2. 默克分子活动挑战。

地址：http://www.kaggle.com/c/MerckActivity/data

3. Musk dataset: Musk dataset 描述了以不同构造出现的分子。每个分子都是 musk 或 non-musk，且其中一个构造决定了这一特性。

地址：https://archive.ics.uci.edu/ml/datasets/Musk+(Version+2)

16

政府&统计数据

1. Data USA: 最全面的可视化美国公共数据。

地址：http://datausa.io/

2. 欧盟性别统计数据库。

地址：http://eige.europa.eu/gender-statistics

3. 荷兰国家地质研究数据。

地址：http://www.nationaalgeoregister.nl/geonetwork/srv/dut/search#fast=index&from=1&to=50&any_OR_geokeyword_OR_title_OR_keyword=landinrichting*&relation=within

4. 联合国开发计划署项目。

地址：http://open.undp.org/#2016