mindspore.dataset.EnWik9Dataset
- class mindspore.dataset.EnWik9Dataset(dataset_dir, num_samples=None, num_parallel_workers=None, shuffle=True, num_shards=None, shard_id=None, cache=None)[源代码]
EnWik9数据集。
生成的数据集有一列 [text] ，数据类型为string。
- 参数：
dataset_dir (str) - 包含数据集文件的根目录路径。
num_samples (int, 可选) - 指定从数据集中读取的样本数。默认值：
None，读取所有样本。num_parallel_workers (int, 可选) - 指定读取数据的工作线程数。默认值：
None，使用全局默认线程数(8)，也可以通过mindspore.dataset.config.set_num_parallel_workers()配置全局线程数。shuffle (Union[bool,
Shuffle], 可选) - 每个epoch中数据混洗的模式，支持传入bool类型与枚举类型进行指定。默认值：True。 如果 shuffle 为False，则不混洗，如果 shuffle 为True，等同于将 shuffle 设置为mindspore.dataset.Shuffle.GLOBAL。 通过传入枚举变量设置数据混洗的模式：Shuffle.GLOBAL：混洗文件和样本。Shuffle.FILES：仅混洗文件。
num_shards (int, 可选) - 指定分布式训练时将数据集进行划分的分片数。默认值：
None。指定此参数后， num_samples 表示每个分片的最大样本数。shard_id (int, 可选) - 指定分布式训练时使用的分片ID号。默认值：
None。只有当指定了 num_shards 时才能指定此参数。cache (
DatasetCache, 可选) - 单节点数据缓存服务，用于加快数据集处理，详情请阅读 单节点数据缓存 。默认值：None，不使用缓存。
- 异常：
RuntimeError - dataset_dir 参数所指向的文件目录不存在或缺少数据集文件。
RuntimeError - 指定了 num_shards 参数，但是未指定 shard_id 参数。
RuntimeError - 指定了 shard_id 参数，但是未指定 num_shards 参数。
ValueError - num_parallel_workers 参数超过系统最大线程数。
样例：
>>> import mindspore.dataset as ds >>> en_wik9_dataset_dir = "/path/to/en_wik9_dataset" >>> dataset2 = ds.EnWik9Dataset(dataset_dir=en_wik9_dataset_dir, num_samples=2, ... shuffle=True)
- 教程样例：
关于EnWik9数据集：
EnWik9的数据是一系列UTF-8编码的XML，主要由英文文本组成。数据集包含243,426篇文章标题，其中85,560个被重定向以修复丢失的网页链接，其余是常规文章。
数据是UTF-8格式。所有字符都在U'0000到U'10FFFF范围内，有效编码为1到4字节。字节值0xC0、0xC1和0xF5-0xFF从未出现。此外，在维基百科转储中，除了0x09（制表符）和0x0A（换行符）外，没有范围为0x00-0x1F的控制字符。 断行符只出现在段落边界上，因此整体是有语义目的。
可以将数据集文件解压缩到以下目录结构中，并由MindSpore的API读取。
. └── EnWik9 ├── enwik9引用：
@NetworkResource{Hutter_prize, author = {English Wikipedia}, url = "https://mattmahoney.net/dc/textdata.html", month = {March}, year = {2006} }
预处理操作
对数据集对象执行给定操作函数。 |
|
对传入的多个数据集对象进行拼接操作。 |
|
通过自定义判断条件对数据集对象中的数据进行过滤。 |
|
对数据集对象中每一条数据执行给定的数据处理，并将结果展平。 |
|
给定一组数据增强列表，按顺序将数据增强作用在数据集对象上。 |
|
从数据集对象中选择需要的列，并按给定的列名的顺序进行排序。 |
|
对数据集对象按指定的列名进行重命名。 |
|
重复此数据集 count 次。 |
|
重置下一个epoch的数据集对象。 |
|
将数据处理管道中正处理的数据保存为通用的数据集格式。 |
|
通过创建 buffer_size 大小的缓存来混洗该数据集。 |
|
跳过此数据集对象的前 count 条数据。 |
|
将数据集拆分为多个不重叠的子数据集。 |
|
截取数据集的前指定条数据。 |
|
将多个dataset对象按列进行合并压缩，多个dataset对象不能有相同的列名。 |
Batch（批操作）
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 per_batch_map 指定组合前要进行的预处理操作。 |
|
根据数据的长度进行分桶。 |
|
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 pad_info 预先将样本补齐。 |
迭代器
创建数据集迭代器，返回字典形式的样本，其中键为列名，值为数据。 |
|
创建数据集迭代器，返回列表形式的样本，其中的元素为各列数据。 |
数据集属性
获得数据集对象定义的批处理大小，即一个批处理数据中包含的数据条数。 |
|
获取类别名称到类别索引的映射字典。 |
|
返回数据集对象中包含的列名。 |
|
返回一个epoch中的batch数。 |
|
获取 RepeatDataset 中定义的repeat操作的次数。 |
|
获取/设置数据列索引，它表示使用下沉模式时数据列映射至网络中的对应关系。 |
|
获取数据集对象中所有样本的类别数目。 |
|
获取数据集对象中每列数据的shape。 |
|
获取数据集对象中每列数据的数据类型。 |
应用采样方法
为当前数据集添加子采样器。 |
|
替换当前数据集的最末子采样器，保持父采样器不变。 |
其他方法
释放阻塞条件并使用给定数据触发回调函数。 |
|
为同步操作在数据集对象上添加阻塞条件。 |
|
将数据处理管道序列化为JSON字符串，如果提供了文件名，则转储到文件中。 |