與 JAX 配合使用

本文件是關於如何將 datasets 與 JAX 結合使用的快速入門，特別關注如何從我們的資料集中獲取 jax.Array 物件，以及如何使用它們來訓練 JAX 模型。

復現上述程式碼需要 jax 和 jaxlib，因此請確保透過 pip install datasets[jax] 安裝它們。

資料集格式

預設情況下，資料集返回常規的 Python 物件：整數、浮點數、字串、列表等，並且字串和二進位制物件保持不變，因為 JAX 僅支援數字。

要獲得 JAX 陣列（類似 numpy），您可以將資料集的格式設定為 jax

>>> from datasets import Dataset
>>> data = [[1, 2], [3, 4]]
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("jax")
>>> ds[0]
{'data': DeviceArray([1, 2], dtype=int32)}
>>> ds[:2]
{'data': DeviceArray([
    [1, 2],
    [3, 4]], dtype=int32)}

Dataset 物件是 Arrow 表的包裝器，它允許將資料集中的陣列快速讀取為 JAX 陣列。

請注意，完全相同的過程也適用於 DatasetDict 物件，因此當將 DatasetDict 的格式設定為 jax 時，其中的所有 Dataset 都會被格式化為 jax

>>> from datasets import DatasetDict
>>> data = {"train": {"data": [[1, 2], [3, 4]]}, "test": {"data": [[5, 6], [7, 8]]}}
>>> dds = DatasetDict.from_dict(data)
>>> dds = dds.with_format("jax")
>>> dds["train"][:2]
{'data': DeviceArray([
    [1, 2],
    [3, 4]], dtype=int32)}

您需要考慮的另一件事是，格式化操作在您實際訪問資料之前不會應用。因此，如果您想從資料集中獲取 JAX 陣列，您需要先訪問資料，否則格式將保持不變。

最後，要將資料載入到您選擇的裝置上，您可以指定 device 引數，但請注意，不支援 jaxlib.xla_extension.Device，因為它既不能用 pickle 也不能用 dill 序列化，因此您需要改用其字串識別符號。

>>> import jax
>>> from datasets import Dataset
>>> data = [[1, 2], [3, 4]]
>>> ds = Dataset.from_dict({"data": data})
>>> device = str(jax.devices()[0])  # Not casting to `str` before passing it to `with_format` will raise a `ValueError`
>>> ds = ds.with_format("jax", device=device)
>>> ds[0]
{'data': DeviceArray([1, 2], dtype=int32)}
>>> ds[0]["data"].device()
TFRT_CPU_0
>>> assert ds[0]["data"].device() == jax.devices()[0]
True

請注意，如果未向 with_format 提供 device 引數，它將使用預設裝置，即 jax.devices()[0]。

N 維陣列

如果您的資料集由N維陣列組成，您會發現如果形狀固定，它們預設被視為相同的張量

>>> from datasets import Dataset
>>> data = [[[1, 2],[3, 4]], [[5, 6],[7, 8]]]  # fixed shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("jax")
>>> ds[0]
{'data': Array([[1, 2],
        [3, 4]], dtype=int32)}

>>> from datasets import Dataset
>>> data = [[[1, 2],[3]], [[4, 5, 6],[7, 8]]]  # varying shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("jax")
>>> ds[0]
{'data': [Array([1, 2], dtype=int32), Array([3], dtype=int32)]}

然而，這種邏輯通常需要慢速的形狀比較和資料複製。為了避免這種情況，您必須明確使用 `Array` 特徵型別並指定張量的形狀

>>> from datasets import Dataset, Features, Array2D
>>> data = [[[1, 2],[3, 4]],[[5, 6],[7, 8]]]
>>> features = Features({"data": Array2D(shape=(2, 2), dtype='int32')})
>>> ds = Dataset.from_dict({"data": data}, features=features)
>>> ds = ds.with_format("jax")
>>> ds[0]
{'data': Array([[1, 2],
        [3, 4]], dtype=int32)}
>>> ds[:2]
{'data': Array([[[1, 2],
         [3, 4]],
 
        [[5, 6],
         [7, 8]]], dtype=int32)}

其他特徵型別

ClassLabel 資料可以正確轉換為陣列。

>>> from datasets import Dataset, Features, ClassLabel
>>> labels = [0, 0, 1]
>>> features = Features({"label": ClassLabel(names=["negative", "positive"])})
>>> ds = Dataset.from_dict({"label": labels}, features=features)
>>> ds = ds.with_format("jax")
>>> ds[:3]
{'label': DeviceArray([0, 0, 1], dtype=int32)}

字串和二進位制物件保持不變，因為 JAX 僅支援數字。

Image 和 Audio 特徵型別也支援。

要使用 Image 特徵型別，您需要安裝 `vision` 額外依賴：`pip install datasets[vision]`。

>>> from datasets import Dataset, Features, Image
>>> images = ["path/to/image.png"] * 10
>>> features = Features({"image": Image()})
>>> ds = Dataset.from_dict({"image": images}, features=features)
>>> ds = ds.with_format("jax")
>>> ds[0]["image"].shape
(512, 512, 3)
>>> ds[0]
{'image': DeviceArray([[[ 255, 255, 255],
              [ 255, 255, 255],
              ...,
              [ 255, 255, 255],
              [ 255, 255, 255]]], dtype=uint8)}
>>> ds[:2]["image"].shape
(2, 512, 512, 3)
>>> ds[:2]
{'image': DeviceArray([[[[ 255, 255, 255],
              [ 255, 255, 255],
              ...,
              [ 255, 255, 255],
              [ 255, 255, 255]]]], dtype=uint8)}

要使用 Audio 特徵型別，您需要安裝 `audio` 額外依賴：`pip install datasets[audio]`。

>>> from datasets import Dataset, Features, Audio
>>> audio = ["path/to/audio.wav"] * 10
>>> features = Features({"audio": Audio()})
>>> ds = Dataset.from_dict({"audio": audio}, features=features)
>>> ds = ds.with_format("jax")
>>> ds[0]["audio"]["array"]
DeviceArray([-0.059021  , -0.03894043, -0.00735474, ...,  0.0133667 ,
              0.01809692,  0.00268555], dtype=float32)
>>> ds[0]["audio"]["sampling_rate"]
DeviceArray(44100, dtype=int32, weak_type=True)

資料載入

JAX 沒有任何內建的資料載入功能，因此您需要使用像 PyTorch 這樣的庫，透過 DataLoader 來載入資料，或者使用 TensorFlow 的 tf.data.Dataset。引用 JAX 文件中關於此主題的內容：“JAX 專注於程式轉換和加速器支援的 NumPy，所以我們不將資料載入或整理包含在 JAX 庫中。已經有很多優秀的資料載入器了，所以我們直接使用它們，而不是重新發明輪子。我們將使用 PyTorch 的資料載入器，並建立一個小小的墊片使其能夠處理 NumPy 陣列。”

這就是為什麼在 datasets 中進行 JAX 格式化如此有用的原因，因為它讓您可以使用 HuggingFace Hub 中的任何模型與 JAX，而無需擔心資料載入部分。

使用 with_format('jax')

從資料集中獲取 JAX 陣列最簡單的方法是使用 with_format('jax') 方法。假設我們想在 MNIST 資料集上訓練一個神經網路，該資料集可在 HuggingFace Hub 的 https://huggingface.co/datasets/mnist 找到。

>>> from datasets import load_dataset
>>> ds = load_dataset("mnist")
>>> ds = ds.with_format("jax")
>>> ds["train"][0]
{'image': DeviceArray([[  0,   0,   0, ...],
                       [  0,   0,   0, ...],
                       ...,
                       [  0,   0,   0, ...],
                       [  0,   0,   0, ...]], dtype=uint8),
 'label': DeviceArray(5, dtype=int32)}

設定格式後，我們可以使用 Dataset.iter() 方法將資料集分批送入 JAX 模型。

>>> for epoch in range(epochs):
...     for batch in ds["train"].iter(batch_size=32):
...         x, y = batch["image"], batch["label"]
...         ...

< > 在 GitHub 上更新