深度学习数据集集锦
计算机视觉
MNIST
标签：学术基准 经典 较旧
合理性测试（sanity check）最常用的数据库。规格为 25x25、中心的、B&W 手写数字。用 MNIST 测试非常容易，但不要因为你的模型在 MNIST 运行良好，就认为它事实上可用。
CIFAR 10 & CIFAR 100
标签：经典 较旧
32x32 彩色图像。虽然用得人比以前少了很多，但仍然能用它做有趣的合理性测试。
ImageNet
标签：实用 学术基准 经典
这个用不着介绍，新算法的首选图像数据集。Luke de Oliveira 表示，许多图像 API 公司从 REST 交互界面搞来的标记，与 ImageNet 1000 目录中的 WordNet 层级很接近，让人怀疑。
KITTI
标签：目标检测
FDDB:Face Detection Data Set and Benchmark
标签：人脸识别
CBSR
标签：无
AWS Public Datasets
标签：公开数据集
Tiny Images Dataset
标签：无
Datasets
标签：无
SNAP:Stanford Large Network Dataset Collection
UCI Machine Learning Repository
Datasets:CV ONLINE
标签：无
LSUN
标签：无
场景理解，许多其它附加任务（比如房间布局预估，显着性预测 “saliency prediction”），以及与之关联的竞赛。
PASCAL VOC
标签：学术基准
一般性的图像分割和分类。对于创建现实世界中的图像注解并不是十分有用，但作为基准很不错。
SVHN
标签：学术基准
谷歌街景视图中的住宅号。可以把它当做野生的递归（ recurrent） MNIST。
MS COCO
标签：无
一般性的图像理解/说明，有相关竞赛。
Visual Genome
标签：实用
非常细致的视觉知识库，对超过十万张图像有深度注解。
Labeled Faces in the Wild
标签：实用 学术基准 经典 较旧
修剪过的面部区域（使用 Viola-Jones），用一个 name identifier 做过标记。其中每一个展示的人在数据集中有两个图像，这是作为他的子集。开发者经常用它来训练面部匹配系统。
地址
自然语言
Text Classification Datasets
标签：实用 学术基准
来自论文 Zhang et al., 2015。这是有八个文字分类数据集组成的大型数据库。对于新的文字分类基准，它是最常用的。样本大小为 120K 到 3.6M，包括了从二元到 14 阶的问题。来自 DBPedia, Amazon, Yelp, Yahoo!，搜狗和 AG 的数据集。
WikiText
标签：实用 学术基准
源自高品质维基百科文章的大型语言建模语料库。Salesforce MetaMind 维护。
Question Pairs
标签：实用
Quora 发布的第一个数据集，包含副本/语义近似值标记。
SQuAD
标签：实用 学术基准
斯坦福的问答社区数据集——适用范围较广的问题回答和阅读理解数据集。每一个回答都被作为一个 span，或者一段文本。
CMU Q/A Dataset
标签：无
人工创建的仿真陈述问题/回答组合，还有维基百科文章的难度评分。
Maluuba Datasets
标签：实用
为 NLP 研究人工创建的复杂数据集。
Billion Words
标签：实用 学术基准
大型、通用型建模数据集。时常用来训练散布音（distributed）的词语表达，比如 word2vec 或 GloVe。
Common Crawl
标签：实用 学术基准
PB（拍字节）级别的网络爬虫。最经常被用来学习词语嵌入。可从 Amazon S3 免费获取。对于 WWW 万维网的信息采集，是一个比较有用的网络数据集。
bAbi
标签：学术基准 经典
Facebook AI Research (FAIR) 推出的合成阅读理解和问题回答数据集。
The Children’s Book Test
标签：学术基准
Project Gutenberg（一项正版数字图书免费分享工程）儿童图书里提取的成对数据（问题加情境，回答）基准。对问答、阅读理解、仿真陈述（factoid）查询比较有用。
Stanford Sentiment Treebank
标签：学术基准 经典 较旧
标准的情绪数据集，对每一句话每一个节点的语法树，都有细致的情感注解。
20 Newsgroups
标签：经典 较旧
一个较经典的文本分类数据集。通常作为纯粹分类或者对 IR / indexing 算法验证的基准，在这方面比较有用。
Reuters
标签：经典 较旧
较老的、基于纯粹分类的数据集。文本来自于路透社新闻专线。常被用于教程之中。
##IMDB
标签：经典 较旧
较老的、相对比较小的数据集。用于情绪分类。但在文学基准方面逐渐失宠，让位于更大的数据集。
UCI’s Spambase
标签：经典 较旧
较老的、经典垃圾邮件数据集，源自于 UCI Machine Learning Repository。由于数据集的管理细节，在学习私人订制垃圾信息过滤方面，这会是一个有趣的基准。
语音
大多数语音识别数据库都是专有的——这些数据对其所有公司而言有巨大价值。绝大部分该领域的公共数据集已经很老了。
2000 HUB5 English
标签：学术基准 较旧
只包含英语的语音数据。最近一次被使用是百度的深度语音论文。
LibriSpeech
标签：学术基准
有声图书数据集，包含文字和语音。接近 500 个小时的清楚语音，来自于多名朗读者和多个有声读物，根据图书章节来组织。
VoxForge
标签：实用 学术基准
带口音英语的清晰语音数据集。如果你需要有强大的不同口音、语调识别能力，会比较有用。
TIMIT
标签：学术基准 经典
只含英语的语音识别数据集。
CHIME
标签：实用
含大量噪音的语音识别挑战杯数据集。它包含真实、模拟和清晰的录音：真实，是因为该数据集包含四个说话对象在四个不同吵闹环境下接近 9000 段的录音；模拟，是通过把多个环境与语音结合来生成；清晰，是指没有噪音的清楚录音。
TED-LIUM
标签：无
TED 演讲的音频转录。包含 1495 场 TED 演讲，以及它们的完整字幕文本。
推荐和排名系统
Netflix Challenge
标签：经典 较旧
第一个 Kaggle 模式的数据挑战。由于盗版问题只能获得非官方版本。
MovieLens
标签：实用 学术基准 经典
不同大小的电影点评数据——一般作为协同过滤的基准。
Million Song Dataset
标签：无
Kaggle 上的大型、富含原数据的开源数据集。对于试验混合推荐系统有价值。
Last.fm
标签：实用
音乐推荐数据集，并关联相关社交网络和其他元数据。对混合系统有用处。
网络和图
Amazon Co-Purchasing 和 Amazon Reviews
标签：学术基准
从亚马逊“买了这个的用户还买了XXX”功能抓取的数据，还有相关商品的评价数据。对于试验网络中的推荐系统有价值。
Friendster 社交网络数据集
标签：无
在成为游戏网站之前，Friendster 发布了 103,750,348 名用户朋友名单的匿名数据。
地理空间数据
OpenStreetMap
标签：实用
整个地球的矢量数据，处于免费协议下。它的旧版本包含美国人口统计部门的 TIGER 数据。
Landsat8
标签：实用
整个地球表面的卫星拍照，每隔几周更新一次。
NEXRAD
标签：实用
多普勒天气雷达对美国大气情况的扫描。
Ref:[1] http://www.leiphone.com/news/201702/Can849ZwMlp66QBR.html