mindspore.dataset.LJSpeechDataset
- class mindspore.dataset.LJSpeechDataset(dataset_dir, num_samples=None, num_parallel_workers=None, shuffle=None, sampler=None, num_shards=None, shard_id=None, cache=None)[源代码]
读取和解析LJSpeech数据集的源文件构建数据集。
生成的数据集有四列: [waveform, sample_rate, transcription, normalized_transcript] 。 waveform 列的数据类型为float32。 sample_rate 列的数据类型为int32。 transcription 列的数据类型为string。 normalized_transcript 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。
num_samples (int, 可选) - 指定从数据集中读取的样本数，可以小于数据集总数。默认值：None，读取全部样本音频。
num_parallel_workers (int, 可选) - 指定读取数据的工作线程数。默认值：None，使用mindspore.dataset.config中配置的线程数。
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 - shard_id 参数错误，小于0或者大于等于 num_shards 。
说明
此数据集可以指定参数 sampler ，但参数 sampler 和参数 shuffle 的行为是互斥的。下表展示了几种合法的输入参数组合及预期的行为。
配置 sampler 和 shuffle 的不同组合得到的预期排序结果 参数 sampler
参数 shuffle
预期数据顺序
None
None
随机排列
None
True
随机排列
None
False
顺序排列
sampler 实例
None
由 sampler 行为定义的顺序
sampler 实例
True
不允许
sampler 实例
False
不允许
关于LJSPEECH数据集：
LJSPEECH是一个公共领域的语音数据集，由13,100个来自7部非小说类书籍的段落短音频片段组成。 为每个剪辑片段都进行转录。剪辑的长度从1秒到10秒不等，总长度约为24小时。
这些被阅读的文本于1884年至1964年间出版，属于公共领域。这些音频由LibriVox项目于2016-17年录制。
以下是原始的LJSPEECH数据集结构。 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。
. └── LJSpeech-1.1 ├── README ├── metadata.csv └── wavs ├── LJ001-0001.wav ├── LJ001-0002.wav ├── LJ001-0003.wav ├── LJ001-0004.wav ├── LJ001-0005.wav ├── LJ001-0006.wav ├── LJ001-0007.wav ├── LJ001-0008.wav ... ├── LJ050-0277.wav └── LJ050-0278.wav引用：
@misc{lj_speech17, author = {Keith Ito and Linda Johnson}, title = {The LJ Speech Dataset}, howpublished = {url{https://keithito.com/LJ-Speech-Dataset}}, year = 2017 }
样例：
>>> lj_speech_dataset_dir = "/path/to/lj_speech_dataset_directory" >>> >>> # 1) Get all samples from LJSPEECH dataset in sequence >>> dataset = ds.LJSpeechDataset(dataset_dir=lj_speech_dataset_dir, shuffle=False) >>> >>> # 2) Randomly select 350 samples from LJSPEECH dataset >>> dataset = ds.LJSpeechDataset(dataset_dir=lj_speech_dataset_dir, num_samples=350, shuffle=True) >>> >>> # 3) Get samples from LJSPEECH dataset for shard 0 in a 2-way distributed training >>> dataset = ds.LJSpeechDataset(dataset_dir=lj_speech_dataset_dir, num_shards=2, shard_id=0) >>> >>> # In LJSPEECH dataset, each dictionary has keys "waveform", "sample_rate", "transcription" >>> # and "normalized_transcript"
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。 |
|
从数据集中获取最多 count 的元素。 |
|
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。 |
|
返回类别索引。 |
|
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
将数据异步传输到Ascend/GPU设备上。 |
|
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。 |