mindspore.dataset.LibriTTSDataset
- class mindspore.dataset.LibriTTSDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=None, sampler=None, num_shards=None, shard_id=None, cache=None)[源代码]
LibriTTS数据集。
生成的数据集有七列 [waveform, sample_rate, original_text, normalized_text, speaker_id, chapter_id, utterance_id] 。 waveform 列的数据类型为float32。 sample_rate 列的数据类型为uint32。 original_text 列的数据类型为string。 normalized_text 列的数据类型为string。 speaker_id 列的数据类型为uint32。 chapter_id 列的数据类型为uint32。 utterance_id 列的数据类型为string。
- 参数：
dataset_dir (str) - 包含数据集文件的根目录路径。
usage (str, 可选) - 指定数据集的子集，可取值为
'dev-clean'、'dev-other'、'test-clean'、'test-other'、'train-clean-100'、'train-clean-360'、'train-other-500'或'all'。默认值：None，表示读取全部样本。num_samples (int, 可选) - 指定从数据集中读取的样本数。默认值：
None，读取全部音频。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 (bool, 可选) - 是否混洗数据集。默认值：
None，下表中会展示不同参数配置的预期行为。sampler (Sampler, 可选) - 指定从数据集中选取样本的采样器。默认值：
None，下表中会展示不同配置的预期行为。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 路径下不包含任何数据文件。
ValueError - num_parallel_workers 参数超过系统最大线程数。
RuntimeError - 同时指定了 sampler 和 shuffle 参数。
RuntimeError - 同时指定了 sampler 和 num_shards 参数或同时指定了 sampler 和 shard_id 参数。
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 - 如果 shard_id 取值不在[0, num_shards )范围。
样例：
>>> import mindspore.dataset as ds >>> libri_tts_dataset_dir = "/path/to/libri_tts_dataset_directory" >>> >>> # 1) Read 500 samples (audio files) in libri_tts_dataset_directory >>> dataset = ds.LibriTTSDataset(libri_tts_dataset_dir, usage="train-clean-100", num_samples=500) >>> >>> # 2) Read all samples (audio files) in libri_tts_dataset_directory >>> dataset = ds.LibriTTSDataset(libri_tts_dataset_dir)
- 教程样例：
说明
暂不支持指定 sampler 参数为
mindspore.dataset.PKSampler。入参 num_samples 、 shuffle 、 num_shards 、 shard_id 可用于控制数据集所使用的采样器，其与入参 sampler 搭配使用的效果如下。
参数 sampler 和 num_samples ， shuffle ， num_shards ， shard_id 的不同组合得到的采样器 参数 sampler
参数 num_shards / shard_id
参数 shuffle
参数 num_samples
使用的采样器
mindspore.dataset.Sampler 类型
None
None
None
sampler
numpy.ndarray,list,tuple,int 类型
/
/
num_samples
SubsetSampler(indices = sampler , num_samples = num_samples )
iterable 类型
/
/
num_samples
IterSampler(sampler = sampler , num_samples = num_samples )
None
num_shards / shard_id
None / True
num_samples
DistributedSampler(num_shards = num_shards , shard_id = shard_id , shuffle = True , num_samples = num_samples )
None
num_shards / shard_id
False
num_samples
DistributedSampler(num_shards = num_shards , shard_id = shard_id , shuffle = False , num_samples = num_samples )
None
None
None / True
None
RandomSampler(num_samples = num_samples )
None
None
None / True
num_samples
RandomSampler(replacement = True , num_samples = num_samples )
None
None
False
num_samples
SequentialSampler(num_samples = num_samples )
关于LibriTTS数据集：
LibriTTS是由Heiga Zen在谷歌语音和谷歌大脑团队成员的协助下准备的一个多语言英语语料库， 包括了大约585小时的24kHz采样率的英语语音。LibriTTS语料库是为TTS研究设计的。它是由 LibriSpeech语料库的原始语料（来自LibriVox的mp3音频文件和来自Project Gutenberg的文本文件） 衍生而来。
您可以将LibriTTS数据集构建成以下目录结构，并通过MindSpore的API进行读取。
. └── libri_tts_dataset_directory ├── dev-clean │ ├── 116 │ │ ├── 288045 | | | ├── 116_288045.trans.tsv │ │ │ ├── 116_288045_000003_000000.wav │ │ │ └──... │ │ ├── 288046 | | | ├── 116_288046.trans.tsv | | | ├── 116_288046_000003_000000.wav │ | | └── ... | | └── ... │ ├── 1255 │ │ ├── 138279 | | | ├── 1255_138279.trans.tsv │ │ │ ├── 1255_138279_000001_000000.wav │ │ │ └── ... │ │ ├── 74899 | | | ├── 1255_74899.trans.tsv | | | ├── 1255_74899_000001_000000.wav │ | | └── ... | | └── ... | └── ... └── ...引用：
@article{lecun2010mnist, title = {LIBRITTS handwritten digit database}, author = {zpw, NBU}, journal = {ATT Labs [Online]}, volume = {2}, year = {2010}, howpublished = {http://www.openslr.org/resources/60/}, description = {The LibriSpeech ASR corpus (http://www.openslr.org/12/) [1] has been used in various research projects. However, as it was originally designed for ASR research, there are some undesired properties when using for TTS research} }
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
基于数据集对象创建迭代器。 |
|
基于数据集对象创建迭代器。 |
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。 |