创建数据集并导入
创建数据集
在训练模型之前,需要创建数据集。需输入数据集名称、选择相应的标注模版、选择数据去重策略,即可创建一个空数据集。
数据自动去重即平台对您上传的数据进行重复样本的去重。建议创建数据集时选择「数据自动去重」
导入数据
创建数据集后,在「数据总览」页面中,找到该数据集,点击右侧操作列下的「导入」,即可进入导入数据页面。
您可以使用4种方案上传文本分类的数据,分别为:
- 本地导入
- BOS目录导入
- 分享链接导入
- 平台已有数据集
本地导入
您可以通过以下三种方式进行本地数据的导入:
- 以压缩包的方式上传
- 以TXT文本文件方式上传
- 以Excel文件的方式上传
以压缩包方式上传
- 文本文件的编码方式:UTF-8,每个文本文件最长不能超过4096个汉字(字符)
- 压缩包仅支持zip格式;大小需要在5GB以内;
注意,如果您上传的数据是带有标注信息的数据,则需要在压缩包里的创建文件夹,文件夹名即是标签名,只能包含数字/字母/下划线,一个样本有多个标签,则从属于多个文件夹。例如“北京明天气温骤降,请注意保暖”的文本文件同时存在于“北京本地”和“天气”两个文件夹下。
以TXT文本文件上传
- 每行样本最长不能超过4096个汉字(字符),文件编码方式:UTF-8
- txt文件内的标注数据格式要求为"文本内容\t标注标签\t...标注标签\t\n"(\t代表tab制表符,\n代表回车换行),如果是无标注信息的数据,则每行只有文本内容即可
以Excel文件上传
- Excel文件内数据格式要求为:使用第一列作为待标注文本,第二列作为标注信息列(此列仅支持数字或字母),每行是一组样本,每组数据文本内容的字符数建议不超过4096,超出将被截断。
- 文件类型支持xlsx格式,单次上传限制100个文件
BOS目录导入
需选择Bucket地址与对应的文件夹地址。
请确保将全部文本已通过txt文件保存至同一层文件目录,该层目录下子文件目录及非相关内容(包括压缩包格式等)不导入。
分享链接导入
需输入链接地址。分享链接导入的要求如下:
- 仅支持来自百度BOS、阿里OSS、腾讯COS、华为OBS的共享链接
平台已有数据集
- 导入无标注数据时,选择需要导入的数据集名称,可导入其不带标注的全部数据,或未标注的数据
- 导入已标注数据时,选择需要导入的数据集名称,可导入其某个或全部标签下的数据
准备数据集的技巧
文本分类任务中,可参考以下准备数据集的技巧:
设计分类
设计整个数据集的分类体系,即抽象出文本所需识别的标签,标签也是你希望识别出的结果。例如娱乐新闻的内容类型,则可以以“男星”、“大陆”、“港台”、“童星”等分别作为标签体系。
注意:目前单个模型的上限为1000类,如果要超过这个量级请在百度云控制台内提交工单反馈
数据量
基于设计好的分类标签准备文本数据,每个标签建议至少需要准备50个以上的样本,如果想要较好的效果,建议1000-10000个文本样本,如果某些分类的文本具有相似性,需要增加更多文本。
文本的基本格式要求: 目前文本文件类型支持txt,文本文件大小限制长度最大4096,格式为UTF-8字符。一个模型的文本总量限制100万个文本文件。
数据分布
- 训练集文本需要和实际场景要识别的文本环境一致
- 考虑实际应用场景的种种可能性,每个分类的文本需要覆盖实际场景里面存在的可能性,训练集若能覆盖的场景越多,模型的泛化能力则越强
可能的疑问
- 如果训练文本数据无法全部覆盖实际场景要识别的文本,怎么办?
答:训练的模型算法会有一定的泛化能力,尽可能覆盖即可。
- 多语种模型支持全球94种语言:
南非语, 阿姆哈拉语, 阿拉伯语, 阿萨姆语, 阿塞拜疆语, 白俄罗斯语, 保加利亚语, 孟加拉语, 孟加拉语(拉丁化), 布列塔尼语, 波斯尼亚语, 加泰隆语, 捷克语, 威尔士语, 丹麦语, 德语, 希腊语, 英语, 世界语, 西班牙语, 爱沙尼亚语, 巴斯克语, 波斯语, 芬兰语, 法语, 弗里斯兰语, 爱尔兰语, 苏格兰盖尔语, 加利西亚语, 古吉拉特语, 希伯来语, 印地语, 印地语(拉丁化), 克罗地亚语, 匈牙利语, 亚美尼亚语, 印尼语, 冰岛语, 意大利语, 日语, 爪哇语, 格鲁吉亚语, 哈萨克语, 高棉语, 康纳达语, 韩语, 库尔德语, 柯尔克孜语, 拉丁语, 老挝语, 立陶宛语, 拉脱维亚语, 马拉加斯语, 马其顿语, 马拉亚拉姆语, 蒙古语, 马拉提语, 马来语, 缅甸语, 尼泊尔语, 荷兰语, 挪威语, 奥里亚语, 旁遮普语, 巴利语, 普什图语, 葡萄牙语, 罗马尼亚语, 俄语, 梵语, 信德语, 僧伽罗语, 斯洛伐克语, 斯洛文尼亚语, 索马里语, 阿尔巴尼亚语, 塞尔维亚语, 巽他语, 瑞典语, 斯瓦希里语, 泰米尔语, 泰米尔语(拉丁化), 泰卢固语, 泰卢固语(拉丁化), 泰语, 他加禄语, 土耳其语, 维吾尔语, 乌克兰语, 乌尔都语, 乌尔都语(拉丁化), 乌兹别克斯坦语, 越南语, 意第绪语。
如果需要寻求第三方数据采集团队协助数据采集,请在百度云控制台内提交工单反馈