mindspore.dataset.CLUEDataset

class mindspore.dataset.CLUEDataset(dataset_files, task='AFQMC', usage='train', num_samples=None, num_parallel_workers=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, cache=None)

读取和解析CLUE数据集的源文件构建数据集。

目前支持的CLUE分类任务包括：’AFQMC’、 ‘TNEWS 、’IFLYTEK’、 ‘CMNLI’、 ‘WSC’和 ‘CSL’。更多CLUE数据集的说明详见 CLUE GitHub 。

参数：

• dataset_files (Union[str, list[str]]) - 数据集文件路径，支持单文件路径字符串、多文件路径字符串列表或可被glob库模式匹配的字符串，文件列表将在内部进行字典排序。

• task (str, 可选) - 任务类型，可取值为 ‘AFQMC’ 、 ‘TNEWS’、 ‘IFLYTEK’、 ‘CMNLI’、 ‘WSC’ 或 ‘CSL’。默认值：’AFQMC’。

• usage (str, 可选) - 指定数据集的子集，可取值为 ‘train’， ‘test’或 ‘eval’。默认值：’train’。

• 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mindspore.dataset.config中配置的线程数。

• 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：mindspore.dataset.Shuffle.GLOBAL。 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。

根据给定的 task 参数 和 usage 配置，数据集会生成不同的输出列：

task	usage	输出列
AFQMC	train	[sentence1, dtype=string] [sentence2, dtype=string] [label, dtype=string]
	test	[id, dtype=uint32] [sentence1, dtype=string] [sentence2, dtype=string]
	eval	[sentence1, dtype=string] [sentence2, dtype=string] [label, dtype=string]
TNEWS	train	[label, dtype=string] [label_des, dtype=string] [sentence, dtype=string] [keywords, dtype=string]
	test	[label, dtype=uint32] [keywords, dtype=string] [sentence, dtype=string]
	eval	[label, dtype=string] [label_des, dtype=string] [sentence, dtype=string] [keywords, dtype=string]
IFLYTEK	train	[label, dtype=string] [label_des, dtype=string] [sentence, dtype=string]
	test	[id, dtype=uint32] [sentence, dtype=string]
	eval	[label, dtype=string] [label_des, dtype=string] [sentence, dtype=string]
CMNLI	train	[sentence1, dtype=string] [sentence2, dtype=string] [label, dtype=string]
	test	[id, dtype=uint32] [sentence1, dtype=string] [sentence2, dtype=string]
	eval	[sentence1, dtype=string] [sentence2, dtype=string] [label, dtype=string]
WSC	train	[span1_index, dtype=uint32] [span2_index, dtype=uint32] [span1_text, dtype=string] [span2_text, dtype=string] [idx, dtype=uint32] [text, dtype=string] [label, dtype=string]
	test	[span1_index, dtype=uint32] [span2_index, dtype=uint32] [span1_text, dtype=string] [span2_text, dtype=string] [idx, dtype=uint32] [text, dtype=string]
	eval	[span1_index, dtype=uint32] [span2_index, dtype=uint32] [span1_text, dtype=string] [span2_text, dtype=string] [idx, dtype=uint32] [text, dtype=string] [label, dtype=string]
CSL	train	[id, dtype=uint32] [abst, dtype=string] [keyword, dtype=string] [label, dtype=string]
	test	[id, dtype=uint32] [abst, dtype=string] [keyword, dtype=string]
	eval	[id, dtype=uint32] [abst, dtype=string] [keyword, dtype=string] [label, dtype=string]

异常：

• ValueError - dataset_files 参数所指向的文件无效或不存在。

• ValueError - task 参数不为 ‘AFQMC’、 ‘TNEWS’、 ‘IFLYTEK’、 ‘CMNLI’、 ‘WSC’ 或 ‘CSL’。

• ValueError - usage 参数不为 ‘train’、 ‘test’ 或 ‘eval’。

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

• ValueError - shard_id 参数错误，小于0或者大于等于 num_shards 。

• 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。

关于CLUE数据集：

CLUE，又名中文语言理解测评基准，包含许多有代表性的数据集，涵盖单句分类、句对分类和机器阅读理解等任务。

您可以将数据集解压成如下的文件结构，并通过MindSpore的API进行读取，以 ‘afqmc’ 数据集为例：

.
└── afqmc_public
     ├── train.json
     ├── test.json
     └── dev.json

引用：

@article{CLUEbenchmark,
title   = {CLUE: A Chinese Language Understanding Evaluation Benchmark},
author  = {Liang Xu, Xuanwei Zhang, Lu Li, Hai Hu, Chenjie Cao, Weitang Liu, Junyi Li, Yudong Li,
        Kai Sun, Yechen Xu, Yiming Cui, Cong Yu, Qianqian Dong, Yin Tian, Dian Yu, Bo Shi, Jun Zeng,
        Rongzhao Wang, Weijian Xie, Yanting Li, Yina Patterson, Zuoyu Tian, Yiwen Zhang, He Zhou,
        Shaoweihua Liu, Qipeng Zhao, Cong Yue, Xinrui Zhang, Zhengliang Yang, Zhenzhong Lan},
journal = {arXiv preprint arXiv:2004.05986},
year    = {2020},
howpublished = {https://github.com/CLUEbenchmark/CLUE}
}

样例：

>>> clue_dataset_dir = ["/path/to/clue_dataset_file"] # contains 1 or multiple clue files
>>> dataset = ds.CLUEDataset(dataset_files=clue_dataset_dir, task='AFQMC', usage='train')

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	从数据集中获取最多 count 的元素。
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。
mindspore.dataset.TextBaseDataset.build_sentencepiece_vocab	迭代源数据集对象获取数据并构建SentencePiece词汇表。
mindspore.dataset.TextBaseDataset.build_vocab	迭代源数据集对象获取数据并构建词汇表。

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	基于数据集对象创建迭代器。
mindspore.dataset.Dataset.create_tuple_iterator	基于数据集对象创建迭代器。

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	返回类别索引。
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.device_que	将数据异步传输到Ascend/GPU设备上。
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。