【huggingface】数据集及模型下载并保存至本地

环境：没有代理，无法访问部分国外网络

数据集

正常情况下通过load_dataset加载数据集；save_to_disk保存至本地；load_from_disk读取本地数据集。
但由于网络原因，load_dataset加载数据集大多数时候会失败，因此针对不同数据集需要研究如何加载。
思路主要分为
1、 git lfs clone下载huggingface数据集
2、研究.py代码，获取原始数据
3、load_dataset加载，save_to_disk保存

ChnSentiCorp

用于中文情感分析，标记了每条评论的情感极性（0或1）

1. 数据集地址：seamew/ChnSentiCorp，可见三个.arrow文件即为原始数据。
   

2. git下载数据集：git lfs clone https://huggingface.co/datasets/seamew/ChnSentiCorp

3. git下载的文件无法直接使用：

   • load_dataset会执行.python文件，通过https://drive.google.com下载数据导致下载失败报错
   • load_from_disk会执行失败，因为该文件夹非dist数据集格式

4. 加载.arrow原始数据并保存

   # 设置data_files 
   data_files = {
       'train': './data/ChnSentiCorp/chn_senti_corp-train.arrow',
       'test': './data/ChnSentiCorp/chn_senti_corp-test.arrow',
       'validation': './data/ChnSentiCorp/chn_senti_corp-validation.arrow'}
   # 加载arrow数据集
   dataset = load_dataset('arrow', data_files=data_files)
   # 保存至本地
   dataset.save_to_disk('./huggingface/hub/datasets/chn_senti_corp')
   1
   2
   3
   4
   5
   6
   7
   8
   9

   保存在本地的数据集：
   

5. 加载保存至本地的数据集

   dataset = load_from_disk('./huggingface/hub/datasets/chn_senti_corp')
   1

peoples_daily_ner

用于中文命名实体识别（NER），来自人民日报的文本数据，标记了人名、地名 、组织机构等

1. 数据集地址：peoples_daily_ner，并无原始数据文件。
   

   研究.py：虽然raw.githubusercontent.com无法发访问，但可通过https://github.com/OYE93/Chinese-NLP-Corpus/tree/master/NER/People's%20Daily去下载原始数据

   

2. git下载数据集：git lfs clone https://huggingface.co/datasets/peoples_daily_ner

3. git下载原始数据：example.train、example.dev、example.test
   

4. 将原始数据放在huggingface数据集文件夹内，并修改.py内_URL为本地路径
   

   # _URL = "https://raw.githubusercontent.com/OYE93/Chinese-NLP-Corpus/master/NER/People's%20Daily/"
   _URL = ""
   _TRAINING_FILE = "example.train"
   _DEV_FILE = "example.dev"
   _TEST_FILE = "example.test"
   1
   2
   3
   4
   5

5. 即可通过load_dataset加载

   dataset = load_dataset('./data/peoples_daily_ner')
   dataset.save_to_disk('./huggingface/hub/datasets/peoples_daily_ner')
   1
   2

模型

模型则要简单许多，直接通过git lfs clone下载至本地保存即可

bert-base-chinese

基于BERT架构的中文预训练模型，使用了中文维基百科进行预训练，能对中文文本进行深度的理解和分析。

git lfs clone https://huggingface.co/bert-base-chinese

from transformers import BertTokenizer,BertModel
tokenizer = BertTokenizer.from_pretrained('./huggingface/hub/models/bert-base-chinese')
pretrained= BertModel.from_pretrained('./huggingface/hub/models/bert-base-chinese')
1
2
3

hfl/rbt3

哈工大未来语言智能实验室（HFL）开发的中文预训练模型RBT3的版本，使用了中文维基百科和百度文库（Baidu Wenku）进行预训练。

git lfs clone https://huggingface.co/hfl/rbt3

from transformers import AutoTokenizer
from transformers import AutoModel
tokenizer = AutoTokenizer.from_pretrained('./huggingface/hub/models/hfl___rbt3')
pretrained= AutoModel.from_pretrained('./huggingface/hub/models/hfl___rbt3')
1
2
3
4

t5-base

基于T5（Text-to-Text Transfer Transformer）架构的预训练模型，使用海量的文本数据进行训练，可以用于多种自然语言处理任务。虽然这个模型并不是专门针对中文的，但也可以在中文处理任务中应用。

opus-mt-zh-en

基于神经机器翻译的中文到英语的预训练模型，由牛津大学和阿里巴巴达摩院联合开发，可以用于中文到英语的翻译任务。

Chinese_Chat_T5_Base

中文版对话机器人，在1300w+问答和对话数据上做有监督预训练。