Hugging Face Datasets repeat 怎样按指定次数重放样本
Hugging Face Datasets 可以用 dataset.repeat(num_times=n) 返回一个将原数据整体重复 n 次的新对象。n=1 是原内容的一份,n=2 是两份,不是“原来一份再追加两份”。它重复已有样本,不会自动生成新文本或新标签。普通 Dataset 使用整数次数;IterableDataset 还支持以 None 表示无限重复,有限任务应明确传入正整数。
官方地址:https://huggingface.co/docs/datasets/
下面制作一个只含两条客服意图文本的练习程序,不下载公共数据,也不加载模型。目标是弄清返回对象、样本顺序和消费数量,避免把重复次数误认为新的训练样本数。示例结果按接口语义说明,不作为本机运行记录。
准备一个不依赖远程下载的小数据集
准备 Python 环境和提供 repeat 方法的 datasets 安装版本。已有环境若提示对象没有 repeat,应先确认安装版本与所查官方文档对应;不要把 IterableDataset 的接口直接套在旧版 Dataset 上。把下面代码放进 replay_samples.py,先构造含 sample_id 与 text 两列的数据。
from datasets import Dataset
# 只使用本地构造的两条练习样本,不下载远程数据
base = Dataset.from_dict({
"sample_id": ["ticket-a", "ticket-b"],
"text": ["查询配送时间", "修改收货地址"],
})
print(base.num_rows)
这里 base、sample_id 和 text 构成原始数据边界。sample_id 是业务标识,后面重放时会重复出现,不能假定重放后的每一行都有唯一标识。两条练习样本仅用于展示读取语义,不代表模型分类质量。
用 repeat 返回有限重放的数据集
# repeat 的参数是总重复次数,2 表示两份完整数据 replayed = base.repeat(num_times=2) print(replayed.num_rows) print(list(replayed["sample_id"])) # 原数据集仍然保留,后续应显式使用返回的新对象 print(base.num_rows)
对于这组固定数据,预期 replayed 有四行,标识依次是 ticket-a、ticket-b、ticket-a、ticket-b,base 仍有两行。每份内容保留原有顺序。repeat 返回新对象,因此只调用 base.repeat(2) 却继续读取 base,不会让原变量指向新数据。

若只想快速了解行为,可执行 python replay_samples.py。这个命令不需要模型服务。实际大数据集不要照搬列表观察方式:行数增加意味着后续消费者需要处理更多样本,不能据此承诺磁盘或内存占用固定不变。
为可迭代数据提供可重复的数据源
from datasets import IterableDataset
# 每次调用都重新产生样本,不能把一次性迭代器藏在闭包中
records = (
{"sample_id": "ticket-a", "text": "查询配送时间"},
{"sample_id": "ticket-b", "text": "修改收货地址"},
)
def generate_records():
for record in records:
yield dict(record)
stream = IterableDataset.from_generator(generate_records)
replayed_stream = stream.repeat(num_times=2)
# 练习数据有限且很小,才可以收集成列表观察
ids = [row["sample_id"] for row in replayed_stream]
print(ids)
IterableDataset 的数据在迭代时读取。generate_records 每次调用都从固定 records 重新产生内容,使有限重复有稳定的数据源。若数据来自文件,应让每次生成器调用各自打开文件,并在调用结束时关闭;若把已耗尽的迭代器复用到下一次读取,数据源本身就无法提供完整内容。

未加入随机操作的这组练习,预期标识顺序也为两份 ticket-a、ticket-b。不要用 list 消费 repeat(None) 这样的无限流。即便次数有限,来源本身若是无限流,也不会因为设置了重复次数就自动变成有限行数。
把次数约束放在消费代码之外
def repeat_finitely(dataset, num_times):
# 应用层明确只接受正整数,拒绝布尔值和无限重放配置
if type(num_times) is not int or num_times 上面的函数是应用层约束,并非声称库只接受这些参数。把“只允许有限正整数”的业务要求集中在函数中,调用处就不用反复处理 None。对已经使用重复数据的消费者,不要再无意套一层相同次数的外循环,否则处理量会再次增加。
| 对象或配置 | 含义 | 使用注意 |
|---|---|---|
| Dataset.repeat(n) | 返回整体重复的数据集 | 接住返回值,保留原数据变量 |
| IterableDataset.repeat(n) | 按有限次数重复读取来源 | 来源须能够重新提供记录 |
| IterableDataset.repeat(None) | 无限重放 | 不用于本例的有限消费任务 |
| sample_id | 原样保留的业务字段 | 重复出现不代表新独立样本 |
如果组合 shuffle,结果还会受到操作位置与可迭代数据缓冲大小的影响,不能把本例的固定顺序直接推广到随机处理场景。需要保存数据集时,也应独立记录原始来源和重复次数,避免把重复行误认为新增采集数据。
repeat 会改写样本的标签或文本吗?
不会自动改写。本例的 text 与 sample_id 保持原值;重放不是数据增强。
重复后的样本 ID 能直接用作唯一键吗?
不能假定唯一。若消费者需要唯一处理记录,可另记录消费位置,原始 sample_id 仍保留用于追溯。
为什么读取数量比 n 还多?
n 是完整数据集的重复次数,不是要取的行数。两条有限样本重复两次,预期就是四条;消费者另有循环时还应核对外层次数。
接口文档:https://huggingface.co/docs/datasets/en/package_reference/main_classes。
大模型 API 流式输出的断线续传处理方案
- 上一篇
- 大模型 API 流式输出的断线续传处理方案
- 下一篇
- Hugging Face Datasets IterableDataset 怎样跳过前 N 条样本
-
- 科技周边 · 人工智能 | 23分钟前 |
- 大模型 API 流式输出的断线续传处理方案
- 403浏览 收藏
-
- 科技周边 · 人工智能 | 25分钟前 | 人工智能 · 批处理 · PyTorch chunk_size torch.func.vmap vmap in_dims out_dims
- PyTorch torch.func.vmap 怎样把单样本函数批量化
- 230浏览 收藏
-
- 科技周边 · 人工智能 | 31分钟前 | 人工智能 · PyTorch 性能测量 torch.compile TorchDynamo Inductor
- PyTorch torch.compile 怎样区分首次编译耗时和后续执行耗时
- 231浏览 收藏
-
- 科技周边 · 人工智能 | 33分钟前 |
- PyTorch Tensor.to 怎样避免相同设备上的无效复制
- 294浏览 收藏
-
- 科技周边 · 人工智能 | 37分钟前 |
- Hugging Face DataCollatorWithPadding 怎样按最长序列动态补齐输入
- 144浏览 收藏
-
- 科技周边 · 人工智能 | 38分钟前 | 人工智能 · PyTorch View detach Tensor.detach_ autograd
- PyTorch Tensor.detach_ 为什么不能用于 view
- 230浏览 收藏
-
- 科技周边 · 人工智能 | 42分钟前 | 人工智能 · 文本生成 Transformers tokenizer GenerationConfig stop_strings
- Transformers GenerationConfig stop_strings 怎样让文本生成按字符串停止
- 375浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers generate 怎样返回每步生成分数并定位异常输出
- 308浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · api设计 · 人工复核 内容审核 Categories Moderation API category_scores
- 内容审核接口返回多标签结果时怎样设计分支
- 160浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · 多模态 · token 视觉模型 detail 多图输入 Vision API
- 视觉模型输入多张图片时怎样控制顺序和细节级别
- 386浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · 提示词缓存 prompt_cache_key 稳定前缀 动态输入
- 提示词缓存怎样拆分稳定前缀和动态输入
- 419浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1084次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1084次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1247次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1191次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1037次使用
-
- CodeGeeX for Jetbrains IDEs正式上线!
- 2023-01-17 284浏览
-
- 技术阿里云实现ocr批量图片和pdf文件表格图片转换excel文档/支持票据图片提取/普通图片文字提取处理
- 2023-01-18 387浏览
-
- 直播预告|FeatureStore Meetup V2
- 2023-01-10 328浏览
-
- 深入浅出特征工程 – 基于 OpenMLDB 的实践指南(上)
- 2023-02-25 426浏览
-
- 开源机器学习数据库OpenMLDB v0.4.0产品介绍
- 2023-01-10 147浏览

