datasets

最大的 ML 模型即用型数据集中心，具有快速、易用且高效的数据操作工具

Hugging Face 数据集机器学习 API Apache Arrow Github 开源项目

🤗 Datasets是一个高效的轻量级数据处理库，支持一行代码完成数据集的下载和预处理。库支持Numpy、Pandas、PyTorch、TensorFlow和JAX等框架，并提供智能缓存及大规模数据集的流式处理，有效减轻内存限制的压力，简化机器学习和数据分析的前置工作。

文档

dataloader - 适用于 TensorFlow、PyTorch 和 JAX 的 GPU 优化数据加载器

GPU优化GithubMerlin DataloaderPyTorchTensorFlow开源项目推荐系统

Merlin Dataloader 提供适用于 TensorFlow、PyTorch 和 JAX 的 GPU 优化数据加载器，大幅提升推荐模型的训练速度。优势包括速度提升超10倍、支持大于内存的数据集、每个周期的数据随机化及分布式训练。这些特点使其成为高效训练推荐模型的理想工具。

TSDB - 高效便捷的时间序列数据集加载库

GithubPyPOTSTSDB开源工具开源项目数据挖掘时间序列数据集

TSDB是一个时间序列数据集加载库，支持172个公开数据集的一键加载。该工具简化了研究人员和工程师的数据获取流程，使他们能专注于数据处理。TSDB具备数据下载、加载和缓存管理功能，并支持缓存目录迁移。作为PyPOTS工具箱的组成部分，TSDB为时间序列数据挖掘提供了基础支持。

chat-dataset-baseline - 中文对话模型训练资源整合平台

AI训练GithubLLaMA-Factory中文对话模型开源项目数据集模型优化

chat-dataset-baseline项目整合Hugging Face平台优质数据集，为中文对话模型训练提供全面资源。采用PDCA循环迭代，涵盖数据选择、模型训练、测试和优化。项目提供详细指南，适合数据科学家和AI爱好者快速上手，用于训练高质量中文基础模型，为特定行业应用打下基础。

Data-science - 数据科学项目的综合资源库和实践指南

GitHubGithubMLOpsPython开源项目数据科学机器学习

Data-science项目汇集了丰富的数据科学资源，涵盖MLOps、数据管理、测试和生产力工具等领域。通过文章、代码和视频教程，该项目全面展示了数据科学工作流程，从项目管理到部署。它为数据科学家和机器学习工程师提供了提高效率、构建可靠项目的实用指南。

LLMDataHub - 大语言模型训练数据集合

GithubLLMDataHub大语言模型开源社区开源项目数据集聊天机器人

LLMDataHub汇聚高品质大语言模型训练数据，为研究人员和从业者提供丰富的数据资源。该平台涵盖多种数据集，适合提升聊天机器人对话质量、应答生成及语言理解。同时，平台更新最新数据集，助您获取行业前沿资源。

RecSysDatasets - 推荐系统公开数据集汇总及处理工具

GithubRecBole开源项目推荐系统数据处理数据集模型评估

RecSysDatasets是一个汇总公开推荐系统数据集的开源项目。该项目收集了电商、广告、电影等多个领域的数据集,并提供将数据集转换为统一格式的工具。这有助于研究人员更便捷地获取和使用各类推荐系统数据集,为算法开发和评估提供支持。项目与RecBole推荐系统库集成,便于进行算法测试。

Awesome-LLMs-Datasets - 完整收录大型语言模型数据集的多维度分类概览

GithubLLMs数据集大语言模型开源项目指令微调数据集评估数据集预训练语料库

这个项目全面收集和分类了大型语言模型(LLM)数据集，包括预训练语料库、指令微调数据集、偏好数据集、评估数据集和传统NLP数据集五大类别。新增的内容涵盖多模态大语言模型数据集和检索增强生成数据集。项目统计了444个数据集的详细信息，覆盖8种语言和32个领域，为LLM研究提供了全面参考资源。

video2dataset - 快速构建大规模视频数据集的开源工具

Githubvideo2dataset分布式处理开源项目数据预处理视频下载视频数据集

video2dataset是一个开源工具，用于从视频URL快速创建大规模视频数据集。它支持多种输入输出格式和文件系统，可在12小时内处理1000万个视频。该工具提供增量模式、分布式处理和Weights & Biases集成，适合机器学习训练等场景。其灵活的API和配置选项让用户能够精细控制数据处理流程。

dolma - 3万亿令牌的多样化开放数据集与高性能管理工具

AI2Dolma DatasetDolma ToolkitGithub开源项目数据集管理语言模型

Dolma项目提供一个包含3万亿令牌的多样化开放数据集，涵盖网络内容、学术出版物、代码、书籍和百科材料。Dolma Toolkit是一款高性能工具包，能够高效整理大型数据集，支持并行处理、便捷移植、内置标签器、快速去重、扩展性和云支持。该项目由Allen Institute for AI开发，数据集可在HuggingFace平台下载。

instruction-datasets - 大语言模型指令微调数据集汇总

GithubInstruction TuningNLP多语言大语言模型开源项目数据集

该项目整理了大语言模型指令微调所需的多种数据集，包括金标准、银标准/LM生成和偏好数据集。内容涵盖多语言和多模态任务，提供指令-响应对和人类偏好评分等资源。这些数据集有助于提升模型的指令跟随、对话和任务执行能力，为NLP研究和开发提供重要参考。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com