rtorchbook

# 代码 见 `code` 目录，文件名与章节对应。 # 数据集说明 本书使用的数据有三种获取方式： 1. 内置 R 包：例如 `ames` 数据集位于 `modeldata` 包中，对应章节会有详细说明。 2. 通过 `torchvision` 包获取：例如 `CIFAR-10` 等计算机视觉数据集，对应章节会有使用方法。 3. 需要单独下载的数据集，见[魔搭社区 datasets](https://modelscope.cn/datasets/sunbjt/rtorchbook). > 数据集原始下载地址和说明。 ### 第 7 章 卷积网络 #### MNIST 数据集 - 数据集描述：包含 60,000 张 28×28 像素的灰度图像，用于训练和测试手写数字识别模型。 - 数据标签：每个图像标记为 0-9 之间的数字。 - 下载地址：[Kaggle MNIST Dataset](https://www.kaggle.com/datasets/hojjatk/mnist-dataset) - 文件说明： - `train-images-idx3-ubyte.gz`：训练集图像 (9,912,422 bytes) - `train-labels-idx1-ubyte.gz`：训练集标签 (28,881 bytes) - `t10k-images-idx3-ubyte.gz`：测试集图像 (1,648,877 bytes) - `t10k-labels-idx1-ubyte.gz`：测试集标签 (4,542 bytes) ### 第 8 章 循环网络 #### 1. 北京 PM2.5 数据集 - 数据集描述：包含 2010 年至 2014 年北京每小时的 PM2.5 浓度数据。 - 本地路径：`bookdata` 目录下，文件名为 `PRSA_data_2010.1.1-2014.12.31.csv` - 替代下载：[UCI Machine Learning Repository](https://archive.ics.uci.edu)，搜索关键词：`Beijing PM2.5` #### 2. IMDB 电影评论数据集 - 数据集描述：包含 50,000 条明显两极分化（正面/负面）的电影评论，广泛用于二分类情感分析任务。数据平均分为训练集（25,000条）和测试集（25,000条），且每个集合中正负样本各占一半。此外，还包含 50,000 条未标记的评论用于无监督学习。 - 下载地址：[Stanford AI Lab - Andrew Maas](https://ai.stanford.edu/~amaas/data/sentiment/) - 文件信息：`aclImdb_v1.tar.gz`（解压后包含 `aclImdb` 文件夹） > 数据结构：原始数据存储为文本文件（每个评论一个 `.txt` 文件），分布在 `train/pos`、`train/neg`、`test/pos`、`test/neg` 文件夹中。 #### 3. GloVe 预训练词向量 - 本书使用版本：`glove.2024.wikigiga.50d.zip` - 下载地址：[Stanford NLP Group - GloVe](https://nlp.stanford.edu/projects/glove/) - 可用版本：除 50d 版本外，还提供 100d、200d、300d 版本的预训练词向量。 - 数据集规模：包含 400,000 个单词的预训练词向量，通过在大规模文本语料库上使用无监督学习训练得到，能够捕捉单词之间的语义关系。 ### 第 9 章 Transformer #### 科幻电影评论合成数据集 - 数据集描述：为演示 LoRA 逻辑生成的 730 条伪造的 AI 风格科幻电影评论数据。 - 数据样例： ```r [1] "The quantum simulation scenes were mind-blowing, but the AI antagonist lacked true neural depth." [2] "A cyberpunk masterpiece that questions the very nature of our virtual reality and human consciousness." [3] "This movie proves that the singularity is near, featuring the most realistic cyborgs on screen." ``` - 本地路径：`bookdata` 目录下的 `scifi_synthetic.csv.zip` ### 第 10 章 深度推荐模型 #### MovieLens 1M 数据集 - 数据集来源：由 GroupLens 研究组（明尼苏达大学）收集并公开。 - 数据集规模：包含 6,040 名用户对约 3,900 部电影的 1,000,209 条评分。 - 用户信息：所有用户均为 2000 年加入 MovieLens 平台的匿名用户，每位用户至少提供了 20 条评分。 - 文件结构： - `ratings.dat` 格式：`UserID::MovieID::Rating::Timestamp` - `users.dat` 格式：`UserID::Gender::Age::Occupation::Zip-code` - `movies.dat` 格式：`MovieID::Title::Genres` - 下载地址：[MovieLens 1M](https://grouplens.org/datasets/movielens/1m/) ### 第 11 章 图神经网络 #### 1. Cora 数据集 - 用途：常用于图神经网络和节点分类任务。 - 文件结构： - `cora.content`：每行包含论文 ID、1,433 个词特征、类别标签 - `cora.cites`：每行 `被引论文ID 引用论文ID`，表示引用关系 - 获取方式： - 本地路径：`bookdata` 目录下，文件名为 `cora.tgz` - 下载地址：[Cora 数据集](https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz) #### 2. ESOL 数据集 - 数据集描述：包含 1,128 个分子样本，每个样本都提供了分子的 SMILES 表示式以及对应的实验测得水溶性值 (LogS)。 - 特点：数据集规模适中、标注可靠，常被用作分子性质预测的基准测试数据。 - 本地路径：`bookdata` 目录下，文件名为 `delaney-processed.csv.zip` ### 第 12 章 变分自编码器 #### ECG5000 数据集 - 数据集描述：包含 5,000 条心电图（ECG）信号，每条信号长度为 140 个时间步（微观视角下单次心跳周期的波形高频切片）。数据集中包含了正常的规律心跳，也包含了心律不齐、心肌梗死等多种异常信号。 - 数据分布： - 正常样本（Class 1）：约 2,900 条 - 异常样本（Class 2-5）：约 2,100 条（包含 R-on-T 室性早搏等多种心脏异常） - 本地路径：`bookdata` 目录下，文件名为 `ECG5000.zip` ### 第 13 章 GAN #### 数据集说明 - 数据集名称：动漫头像 Anime Faces - 数据集描述：从二次元网站 `www.getchu.com` 抓取的 21551 张动漫头像 - 下载地址：[Anime Faces](https://www.kaggle.com/datasets/soumikrakshit/anime-faces/)