HuggingFace Datasets 3.3.0版本发布:异步处理与性能优化
2025-06-02 14:06:13作者:邵娇湘
HuggingFace Datasets是机器学习领域广泛使用的数据加载和处理库,它提供了简单高效的接口来处理各种格式的数据集。最新发布的3.3.0版本带来了一系列令人兴奋的新功能和性能改进,特别是在异步处理和数据处理效率方面有了显著提升。
异步函数支持:让数据处理更灵活
3.3.0版本最引人注目的新特性是在map()方法中支持异步函数。这一改进使得开发者能够在数据处理流程中无缝集成异步操作,特别适合以下场景:
- 下载远程资源(如图片、音频等)
- 调用外部API(如LLM推理服务)
- 执行IO密集型操作
传统的数据处理流程中,这些操作往往会成为性能瓶颈。现在,开发者可以轻松编写异步函数来处理这些任务:
async def download_image(example):
return await download_from_url(example["image_url"])
ds = ds.map(download_image)
这种设计不仅提高了代码的可读性,还能充分利用现代Python的异步特性,显著提升数据处理管道的吞吐量。
数据集重复功能:简化数据扩充
新版本增加了repeat()方法,使得数据扩充变得更加简单直观。这在以下场景特别有用:
- 小样本学习时扩充训练数据
- 需要多次遍历数据集进行模型训练
- 数据增强策略的实施
使用方法非常简单:
ds = ds.repeat(10) # 将数据集重复10次
性能优化:Pandas和Polars集成
3.3.0版本对IterableDataset进行了重大改进,新增了对Pandas和Polars格式的支持。这意味着:
- 可以利用这些高性能数据处理库的优化功能
- 实现零拷贝数据处理,减少内存开销
- 支持更复杂的数据转换操作
例如,使用Polars进行高效字符串处理:
ds = ds.with_format("polars")
expr = pl.col("solution").str.extract("boxed\\{(.*)\\}").alias("value_solution")
ds = ds.map(lambda df: df.with_columns(expr), batched=True)
格式处理优化:提升IterableDataset性能
针对使用NumPy格式的IterableDataset,新版本优化了格式转换流程,使得以下操作更加高效:
- 格式转换后的映射操作(map)
- 过滤操作(filter)
- 批量处理(batched operations)
这一改进显著减少了数据处理管道的延迟,特别是在流式处理大数据集时效果更为明显。
其他改进与修复
除了上述主要特性外,3.3.0版本还包含多项改进:
- 优化了序列编码处理,提升了对标量值的处理效率
- 修复了WebDataset特殊列位置的问题
- 移除了对.h5格式的图片支持
- 更新了文档,增加了Pandas、PyArrow和Polars的使用说明
这些改进共同构成了一个更加强大、高效的HuggingFace Datasets库,为机器学习工程师和数据科学家提供了更好的工具来处理日益复杂的数据处理需求。无论是处理小规模实验数据还是大规模生产数据,3.3.0版本都能提供卓越的性能和灵活性。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0297Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++066Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp课程中屏幕放大器知识点优化分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp论坛排行榜项目中的错误日志规范要求4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp英语课程填空题提示缺失问题分析6 freeCodeCamp音乐播放器项目中的函数调用问题解析7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程视频测验中的Tab键导航问题解析10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 开源电子设计自动化利器:KiCad EDA全方位使用指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
179
2.09 K

React Native鸿蒙化仓库
C++
205
280

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
959
569

Ascend Extension for PyTorch
Python
56
86

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.01 K
399

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
540
67

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
72

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
124
634