mindspore.dataset.TedliumDataset

class mindspore.dataset.TedliumDataset(dataset_dir, release, usage=None, extensions=None, num_samples=None, num_parallel_workers=None, shuffle=None, sampler=None, num_shards=None, shard_id=None, cache=None)

Tedlium数据集。生成的数据集的列取决于源SPH文件和相应的STM文件。

生成的数据集有六列 [waveform, sample_rate, transcript, talk_id, speaker_id, identifier]。 列 waveform 的数据类型为float32，列 sample_rate 的数据类型为int32，列 transcript、列 talk_id、列 speaker_id 和列 identifier 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。

• release (str) - 指定数据集的发布版本，可以取值为 'release1' 、 'release2' 或 'release3' 。

• usage (str, 可选) - 指定数据集的子集。 对于 release 为 'release1' 或 'release2'，usage 可以是 'train' 、 'test' 、 'dev' 或 'all' 。 对于 release 为 'release3' ， usage 只能是 'all' 。默认值： None ，读取全部样本。

• extensions (str, 可选) - 指定SPH文件的扩展名。默认值： None ，默认指定为 '.sph' 。

• 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 (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。一般在 数据并行模式训练 的时候使用。

• 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。

• 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 - num_parallel_workers 参数超过系统最大线程数。

• ValueError - 如果 shard_id 取值不在[0, num_shards )范围。

样例：

>>> import mindspore.dataset as ds
>>> # 1) Get all train samples from TEDLIUM_release1 dataset in sequence.
>>> dataset = ds.TedliumDataset(dataset_dir="/path/to/tedlium1_dataset_directory",
...                             release="release1", shuffle=False)
>>>
>>> # 2) Randomly select 10 samples from TEDLIUM_release2 dataset.
>>> dataset = ds.TedliumDataset(dataset_dir="/path/to/tedlium2_dataset_directory",
...                             release="release2", num_samples=10, shuffle=True)
>>>
>>> # 3) Get samples from TEDLIUM_release-3 dataset for shard 0 in a 2-way distributed training.
>>> dataset = ds.TedliumDataset(dataset_dir="/path/to/tedlium3_dataset_directory",
...                             release="release3", num_shards=2, shard_id=0)
>>>
>>> # In TEDLIUM dataset, each dictionary has keys : waveform, sample_rate, transcript, talk_id,
>>> # speaker_id and identifier.

教程样例：

• 使用数据Pipeline加载 & 处理数据集

说明

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TEDLIUM数据集：

TEDLIUM_release1数据集：TED-LUM语料库是英语TED演讲，有转录，采样频率为16kHz。包含了大约118小时的演讲。

TEDLIUM_release2数据集：这是TED-LIUM语料库版本2，根据知识共享BY-NC-ND 3.0授权。所有会谈和文本均为TED会议有限责任公司的财产。TED-LIUM语料库是由音频谈话和他们的转录在TED网站上提供的。我们准备并过滤了这些数据，以便训练声学模型参加2011年口语翻译国际研讨会（LIUM英语/法语SLT系统在SLT任务中排名第一）。

TEDLIUM_release-3数据集：这是TED-LIUM语料库版本3，根据知识共享BY-NC-ND 3.0授权。所有会谈和文本均为TED会议有限责任公司的财产。这个新的TED-LIUM版本是通过Ubiqus公司和LIUM（法国勒芒大学）的合作发布的。

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。

TEDLIUM release1与TEDLIUM release2的结构相同，只是数据不同。

.
└──TEDLIUM_release1
    └── dev
        ├── sph
            ├── AlGore_2009.sph
            ├── BarrySchwartz_2005G.sph
        ├── stm
            ├── AlGore_2009.stm
            ├── BarrySchwartz_2005G.stm
    └── test
        ├── sph
            ├── AimeeMullins_2009P.sph
            ├── BillGates_2010.sph
        ├── stm
            ├── AimeeMullins_2009P.stm
            ├── BillGates_2010.stm
    └── train
        ├── sph
            ├── AaronHuey_2010X.sph
            ├── AdamGrosser_2007.sph
        ├── stm
            ├── AaronHuey_2010X.stm
            ├── AdamGrosser_2007.stm
    └── readme
    └── TEDLIUM.150k.dic

TEDLIUM release3目录结构稍有不同。

.
└──TEDLIUM_release-3
    └── data
        ├── ctl
        ├── sph
            ├── 911Mothers_2010W.sph
            ├── AalaElKhani.sph
        ├── stm
            ├── 911Mothers_2010W.stm
            ├── AalaElKhani.stm
    └── doc
    └── legacy
    └── LM
    └── speaker-adaptation
    └── readme
    └── TEDLIUM.150k.dic

引用：

@article{
  title={TED-LIUM: an automatic speech recognition dedicated corpus},
  author={A. Rousseau, P. Deléglise, Y. Estève},
  journal={Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC'12)},
  year={May 2012},
  biburl={https://www.openslr.org/7/}
}

@article{
  title={Enhancing the TED-LIUM Corpus with Selected Data for Language Modeling and More TED Talks},
  author={A. Rousseau, P. Deléglise, and Y. Estève},
  journal={Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC'12)},
  year={May 2014},
  biburl={https://www.openslr.org/19/}
}

@article{
  title={TED-LIUM 3: twice as much data and corpus repartition for experiments on speaker adaptation},
  author={François Hernandez, Vincent Nguyen, Sahar Ghannay, Natalia Tomashenko, and Yannick Estève},
  journal={the 20th International Conference on Speech and Computer (SPECOM 2018)},
  year={September 2018},
  biburl={https://www.openslr.org/51/}
}

预处理操作

mindspore.dataset.Dataset.apply	对数据集对象执行给定操作函数。
mindspore.dataset.Dataset.concat	对传入的多个数据集对象进行拼接操作。
mindspore.dataset.Dataset.filter	通过自定义判断条件对数据集对象中的数据进行过滤。
mindspore.dataset.Dataset.flat_map	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。
mindspore.dataset.Dataset.map	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。
mindspore.dataset.Dataset.project	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。
mindspore.dataset.Dataset.rename	对数据集对象按指定的列名进行重命名。
mindspore.dataset.Dataset.repeat	重复此数据集 count 次。
mindspore.dataset.Dataset.reset	重置下一个epoch的数据集对象。
mindspore.dataset.Dataset.save	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。
mindspore.dataset.Dataset.shuffle	通过创建 buffer_size 大小的缓存来混洗该数据集。
mindspore.dataset.Dataset.skip	跳过此数据集对象的前 count 条数据。
mindspore.dataset.Dataset.split	将数据集拆分为多个不重叠的子数据集。
mindspore.dataset.Dataset.take	截取数据集的前指定条数据。
mindspore.dataset.Dataset.zip	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）

mindspore.dataset.Dataset.batch	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。
mindspore.dataset.Dataset.bucket_batch_by_length	根据数据的长度进行分桶。
mindspore.dataset.Dataset.padded_batch	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

mindspore.dataset.Dataset.create_dict_iterator	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。
mindspore.dataset.Dataset.create_tuple_iterator	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

mindspore.dataset.Dataset.get_batch_size	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。
mindspore.dataset.Dataset.get_class_indexing	获取类别名称到类别索引的映射字典。
mindspore.dataset.Dataset.get_col_names	返回数据集对象中包含的列名。
mindspore.dataset.Dataset.get_dataset_size	返回一个epoch中的batch数。
mindspore.dataset.Dataset.get_repeat_count	获取 RepeatDataset 中定义的repeat操作的次数。
mindspore.dataset.Dataset.input_indexs	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。
mindspore.dataset.Dataset.num_classes	获取数据集对象中所有样本的类别数目。
mindspore.dataset.Dataset.output_shapes	获取数据集对象中每列数据的shape。
mindspore.dataset.Dataset.output_types	获取数据集对象中每列数据的数据类型。

应用采样方法

mindspore.dataset.MappableDataset.add_sampler	为当前数据集添加子采样器。
mindspore.dataset.MappableDataset.use_sampler	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

mindspore.dataset.Dataset.sync_update	释放阻塞条件并使用给定数据触发回调函数。
mindspore.dataset.Dataset.sync_wait	为同步操作在数据集对象上添加阻塞条件。
mindspore.dataset.Dataset.to_json	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。