[转]最好用的 AI 开源数据集 Top 39：NLP、语音等 6 大类

原文链接
本文修正部分错误。

以下是精心收集的一些非常好的开放数据集，也是做 AI 研究不容错过的数据集。

标签解释

【经典】这些是在 AI 领域中非常著名、众所周知的数据集。很少有研究者或工程师没有听说过它们。

【有用】这些是更加接近现实世界的、精心设计的数据集。而且，这些数据集通常在产品和研发两方面都有用。

【学术】这些是在机器学习和 AI 的学术研究中通常作为基准或基线使用的数据集。无论好坏，研究人员都使用这些数据集来验证算法。

【陈旧】这些数据集，无论是否实用，已经有相当长历史了。

计算机视觉

【学术、经典、陈旧】MNIST：最常用的完整性检查数据集，图像大小为28x28的黑白手写数字，但在 MNIST 上性能良好，并不意味着模型本身很好。

地址：http://pjreddie.com/projects/mnist-in-csv/

【经典、陈旧】CIFAR 10 & CIFAR 100：32x32的彩色图像数据集，虽然已经不常用，但也可以用作完整性检查。

地址：https://www.cs.toronto.edu/~kriz/cifar.html

【有用、学术、经典】ImageNet：新算法实际上使用的图像数据集，很多图像 API 公司从其 REST 接口获取标签，这些标签被怀疑与 ImageNet 的下一级 WordNet 的 1000 个类很相似。

地址：http://image-net.org/

LSUN：用于场景理解和多任务辅助（房间布局估计，显着性预测等）。

地址：http://lsun.cs.princeton.edu/2016/

【学术】PASCAL VOC：一个通用的图像分割/分类数据集，对构建真实图像的注释用处不是特别大，但对于基线很有用。

地址：http://host.robots.ox.ac.uk/pascal/VOC/

【学术】SVHN：数据来源于 Google 街景视图中的房屋数量，可以用作野外的周期性 MNIST。

地址：http://ufldl.stanford.edu/housenumbers/

MS COCO：一个通用的图像理解/字幕数据集。

地址：http://mscoco.org/

【有用】Visual Genome：非常详细的视觉知识数据集，包含约100K图像的深字母。

地址：http://visualgenome.org/

【有用、学术、经典、陈旧】Labeled Faces in the Wild：使用名称标识符标记的面部区域数据集，常用于训练面部识别系统。

地址：http://vis-www.cs.umass.edu/lfw/

自然语言处理

【有用】Question Pairs：第一个来源于 Quora 的包含重复/语义相似性标签的数据集。

地址：https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

【有用、学术】SQuAD：斯坦福大学的问答数据集，广泛用于问题回答和阅读理解，其中每个问题和答案都是文本片段的形式。

地址：https://rajpurkar.github.io/SQuAD-explorer/

CMU Q/A Dataset：人工生成的问题/答案对，难度评级来自维基百科文章。

地址：http://www.cs.cmu.edu/~ark/QA-data/

【有用】Maluuba Datasets：用于状态性的自然语言理解研究的人工制作的精细数据集。

地址：https://datasets.maluuba.com/

【有用、学术】Billion Words：一个大型、通用的语言建模数据集，常用于如 word2vec 或 Glove 的分布式词语表征。

地址：http://www.statmt.org/lm-benchmark/

【有用、学术】Common Crawl：Petabyte 级规模的网络爬行数据集，常用于学习词嵌入。

地址：http://commoncrawl.org/the-data/

【学术、经典】bAbi：来自 FAIR 的阅读理解和问答应答数据集。

地址：https://research.fb.com/projects/babi/

【学术】The Children’s Book Test：从古登堡计划的童书中提取的（问题+上下文，答案）的基线，该数据集对问题回答、阅读理解和模拟陈述有用。

地址：https://research.fb.com/projects/babi/

【学术、经典、陈旧】Stanford Sentiment Treebank：一个标准情感数据集，数据集中每个句子解析树的每个节点都有精细的情感注释。

地址：http://nlp.stanford.edu/sentiment/code.html

【经典、陈旧】20 Newsgroups：一个文本分类的经典数据集，通常用于纯分类或作为任何 IR／索引算法的基准。

地址：http://qwone.com/~jason/20Newsgroups/

【经典、陈旧】IMDB：一个比较旧，规模也相对较小的二院情感分类数据集。

地址：http://ai.stanford.edu/~amaas/data/sentiment/

【经典、陈旧】UCI’s Spambase：这是一个年代较久远的、经典的垃圾电子邮件数据集，来源是著名的 UCI 机器学习库。由于该数据集在设计细节上的独特之处，可以用作学习个性化垃圾邮件过滤的一个有趣的基线。

地址：https://archive.ics.uci.edu/ml/datasets/Spambase

语音

大多数语音识别数据集是专有的，因为这些数据对于创建该数据集的公司来说具有很大价值。因此，这部分的可用公开数据集多数比较陈旧。

【学术、陈旧】2000 HUB5 English：仅包含英语的语音数据集，百度最近的论文《深度语音：扩展端对端语音识别》使用的是这个数据集。

地址：https://catalog.ldc.upenn.edu/LDC2002T43

【学术】LibriSpeech：包含文本和语音的有声读物数据集，由近500小时的多人朗读的清晰音频组成，且包含书籍的章节结构。

地址：http://www.openslr.org/12/

【有用、学术】VoxForge：带口音的语音清洁数据集，对测试模型在不同重音或语调下的鲁棒性非常有用。

地址：http://www.voxforge.org/

【学术、经典、陈旧】TIMIT：英文语音识别数据集。

地址：https://catalog.ldc.upenn.edu/LDC93S1

【有用】CHIME：包含环境噪音的语音识别挑战赛数据集。该数据集包含真实、模拟和清洁的语音录音，具体来说，包括4个扬声器在4个有噪音环境下进行的将近9000次录音，模拟数据是将多个环境组合及在无噪音环境下记录的数据。

地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html

TED-LIUM：TED Talk 的音频数据集，包含1495个TED演讲的录音及全文的文字稿。

地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

推荐和排序系统

【经典、陈旧】Netflix Challenge：第一个主要的 Kaggle 挑战赛数据集，但由于隐私问题，只有非正式的数据集提供。

地址：http://www.netflixprize.com/

【有用、学术、经典】MovieLens：多种大小的电影评论数据，通常用于基线协同过滤。

地址：https://grouplens.org/datasets/movielens/

Million Song Dataset：Kaggle 上的大型、元数据丰富的开源数据集，对混合推荐系统有用。

地址：https://www.kaggle.com/c/msdchallenge

【有用】Last.fm：可访问底层社交网络及其他元数据的音乐推荐数据集，这些元数据对混合系统很有用。

地址：http://grouplens.org/datasets/hetrec-2011/

网络和图表

【学术】Amazon Co-Purchasing and Amazon Reviews：亚马逊网站的“买了该产品的用户也买了......”板块的数据，以及相关产品的亚马逊评论数据。适合用于推荐系统。

地址：http://snap.stanford.edu/data/amazon-meta.html

Friendster Social Network Dataset：包含103,750,348个 Friendster 用户的好友列表的匿名数据集。

地址：https://archive.org/details/friendster-dataset-201107

地理空间数据

【有用、经典】OpenStreetMap：免费许可的全球矢量数据集，包含美国人口普查局的 TIGER数据。

地址：http://wiki.openstreetmap.org/wiki/Planet.osm

【有用】Landsat8：卫星拍摄的地球表面照片数据，每隔几周更新一次。

地址：https://landsat.usgs.gov/landsat-8

【有用】NEXRAD：多普勒雷达扫描的美国大气环境数据。

地址：https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

结语

人们常常以为在一个数据集上解决了问题就等同于得到好的产品了。但在使用这些数据集作为验证或概念证明时，不要忘记用更新、更接近现实的数据来测试产品的功能，从而能够作出改进。一个成功的以数据作为驱动力的企业通常能够从他们收集新的、专有的数据的能力中获益，进而提升竞争力。

编译自：medium.com，译者：新智元刘小芹