选自Medium，作者：BharathRaj，机器之心编译，参与：高璇、王淑婷。

最近新增数据集

开源生物识别数据：

地址：

Uber2Btripdata：首次展示2百万公里的出行数据。

地址：

地址：

Core50：用于连续目标识别的新数据集和基准。

地址：

Kaggle数据集：

DataPortal：

OpenDataMonitor：

QuandlDataPortal：

Mut1ny头部/面部分割数据集：

Github上的优秀公共数据集：

头部CT扫描数据集：491次扫描的CQ500数据集。

地址：

自然图像数据集

MNIST：手写数字图像。最常用的可用性检查。格式25x25、居中、黑白手写数字。这是一项简单的任务——仅某部分适用于MNIST，不意味着它有效。

地址：

CIFAR10/CIFAR100：32x32彩色图像，10/100类。虽然仍有趣却不再常用的可用性检查。

地址：

Caltech101：101类物体的图片。

地址：

Caltech256：256类物体的图片。

地址：

STL-10数据集：用于开发无监督特征学习、深度学习、自学习算法的图像识别数据集。像修改过的CIFAR-10。

地址：

TheStreetViewHouseNumbers(SVHN)：Google街景中的门牌号码。可以把它想象成复现的户外MNIST。

地址：

NORB：玩具摆件在各种照明和姿势下的双目图像。

地址：

PascalVOC：通用图像分割/分类——对于构建真实世界图像注释不是非常有用，但对基线很有用。

地址：

Labelme：带注释图像的大型数据集。

地址：

ImageNet：新算法的客观图像数据集（de-factoimagedataset）。许多图像API公司都有来自其REST接口的标签，这些标签近1000类;WordNet;ImageNet的层次结构。

地址：

LSUN：具有很多辅助任务的场景理解（房间布局估计，显著性预测（saliencyprediction）等），有关联竞赛。（associatedcompetition）。

地址：

MSCOCO：通用图像理解/说明，有关联竞赛。

地址：

COIL20：不同物体在360度旋转中以每个角度成像。

地址：

COIL100：不同物体在360度旋转中以每个角度成像。

地址：

Google开源图像：有900万张图像的网址集合，这些图像通过知识共享（CreativeCommons）被标注成6000多个类别。

地址：

地理空间数据

OpenStreetMap：免费提供整个星球的矢量数据。它包含（旧版）美国人口普查局的数据。

地址：

Landsat8：整个地球表面的卫星视角图，每隔几周更新一次。

地址：

NEXRAD：美国大气层的多普勒雷达扫描图。

地址：

————————我是深度学习图像的分割线————————

人工数据集

ArcadeUniverse：一个人工数据集生成器，图像包含街机游戏sprite，如tetrispentomino/tetromino。该生成器基于的bugland数据集生成器。

地址：

以BabyAISchool为灵感的数据集集合。

地址：

BabyAIShapesDataset：区分3种简单形状。

地址：

BabyAIImageAndQuestionDataset：一个问题-图像-答案数据集。

地址：

DeepVsShallowComparisonICML2007：为实证评估深层架构而生成的数据集。

地址：

MnistVariations：在MNIST中引入受控变化。

地址：

RectanglesData：区分宽矩形和垂直矩形。

地址：

ConvexNonConvex：区分凸形和非凸形状。

地址：

BackgroundCorrelation：嘈杂MNIST背景下相关度的控制

地址：

人脸数据集

LabelledFacesintheWild：13000个经过裁剪的人脸区域（使用已经用名称标识符标记过的Viola-Jones）。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。

地址：

UMDFaces：有8501个主题的367，920个面孔的带注释数据集。

地址：

CASIAWebFace：超过10，575个人经面部检测的453，453张图像的面部数据集。需要一些质量过滤。

地址：

MS-Celeb-1M：100万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。

地址：

Olivetti：一些人类的不同图像。

地址：

Multi-Pie：TheCMUMulti-PIEFace数据库。

地址：

Face-in-Action：

JACFEE：日本和白种人面部情绪表达的图像。

地址：

FERET：面部识别技术数据库。

地址：

mmifacedb：MMI面部表情数据库。

地址：

IndianFaceDatabase：

耶鲁人脸数据库：

耶鲁人脸数据库B：

Mut1ny头部/面部分割数据集：像素超过16K的面部/头部分割图像

地址：

地址：

文本数据集

20newsgroups：分类任务，将出现的单词映射到新闻组ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何IR/索引算法的验证。

地址：

路透社新闻数据集：（较旧）纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。

地址：

宾州树库：用于下一个单词或字符预测。

地址：

UCI‘sSpambase：来自著名的UCI机器学习库的（旧版）经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。

地址：

BroadcastNews：大型文本数据集，通常用于下一个单词预测。

地址：

文本分类数据集：来自Zhangetal.,2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从120K至3.6M不等，范围从二进制到14个分类问题。数据集来自DBPedia、亚马逊、Yelp、Yahoo！和AG。

地址：

WikiText：来自维基百科高质量文章的大型语言建模语料库，由SalesforceMetaMind策划。

地址：

SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。

地址：

BillionWords数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如word2vec。

地址：

CommonCrawl：网络的字节级抓取——最常用于学习单词嵌入。可从AmazonS3上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。

地址：

GoogleBooksNgrams：来自Googlebook的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。

地址：

地址：

————————我是深度学习文本的分割线————————

问答数据集

MaluubaNewsQA数据集：CNN新闻文章中的12万个问答对。

地址：

Quora问答对：Quora发布的第一个数据集，包含重复/语义相似性标签。

地址：

CMUQ/A数据集：手动生成的仿真问/答对，维基百科文章对其难度评分很高。

地址：

Maluuba面向目标的对话：程序性对话数据集，对话旨在完成任务或做出决定。常用于聊天机器人。

地址：

bAbi：来自FacebookAIResearch（FAIR）的综合阅读理解和问答数据集。

地址：

TheChildren’sBookTest：ProjectGutenberg提供的儿童图书中提取的（问题+背景、答案）对的基线。用于问答（阅读理解）和仿真查找。

地址：

情感数据集

多领域情绪分析数据集：较旧的学术数据集。

地址：

IMDB：用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。

地址：

StanfordSentimentTreebank：标准情感数据集，在每个句子解析树的每个节点都有细粒度的情感注释。

地址：

推荐和排名系统

Movielens：来自Movielens网站的电影评分数据集，各类大小都有。

地址：

MillionSong数据集：Kaggle上元数据丰富的大型开源数据集，可以帮助人们使用混合推荐系统。

地址：

：音乐推荐数据集，可访问深层社交网络和其它可用于混合系统的元数据。

地址：

Book-Crossing数据集：来自Book-Crossing社区。包含278,858位用户提供的约271,379本书的1,149,780个评分。

地址：

Jester：来自73,421名用户对100个笑话的410万个连续评分（分数从-10至10）。

地址：

NetflixPrize：Netflix发布了他们的电影评级数据集的匿名版；包含480,000名用户对17,770部电影的1亿个评分。首个主要的Kaggle风格数据挑战。随着隐私问题的出现，只能提供非正式版。

地址：

————————我是深度学习图表的分割线————————

网络和图形

地址：

Frister社交网络数据集：在变成游戏网站之前，Frister以朋友列表的形式为103,750,348名用户发布了匿名数据。

地址：

语音数据集

2000HUB5English：最近在DeepSpeech论文中使用的英语语音数据，从百度获取。

地址：

LibriSpeech：包含文本和语音的有声读物数据集。由多个朗读者阅读的近500小时的各种有声读物演讲内容组成，包含带有文本和语音的章节。

地址：

VoxForge：带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。

地址：

TIMIT：英语语音识别数据集。

地址：

CHIME：嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由4个扬声器在4个嘈杂位置的近9000个录音构成，仿真录音由多个语音环境和清晰的无噪声录音结合而成。

地址：

TED-LIUM：TED演讲的音频转录。1495个TED演讲录音以及这些录音的文字转录。

地址：

————————我是深度学习音频的分割线————————

音符音乐数据集

:古典钢琴曲

地址：

Nottingham:超过1000首民谣

地址：

MuseData:古典音乐评分的电子图书馆

地址：

JSBChorales:四部协奏曲

地址：

其它数据集

CMU动作抓取数据集：

Brodatzdataset：纹理建模。

地址：

来自欧洲核子研究中心的大型强子对撞机（LHC）的300TB高质量数据。

地址：;p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets

纽约出租车数据集：由FOIA请求而获得的纽约出租车数据，导致隐私问题。

地址：

UberFOIL数据集：来自UberFOIL请求的纽约4.5M拾取数据。

地址：

地址：

健康生物数据

欧盟传染病监测图集：

默克分子活动挑战：

Muskdataset:Muskdataset描述了以不同构造出现的分子。每个分子都是musk或non-musk，且其中一个构造决定了这一特性。

地址：(Version+2)

政府统计数据

DataUSA:最全面的可视化美国公共数据。

地址：

欧盟性别统计数据库：

荷兰国家地质研究数据：;from=1to=50any_OR_geokeyword_OR_title_OR_keyword=landinrichting*relation=within

联合国开发计划署项目：