mindspore.dataset.SQuADDataset
- class mindspore.dataset.SQuADDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, cache=None)[源代码]
SQuAD 1.1和SQuAD 2.0数据集。
不同版本和子集生成的数据集具有相同的列: [context, question, text, answer_start]。 context 列的数据类型为string。 question 列的数据类型为string。 text 列为上下文中的回答,数据类型为string。 answer_start 列为上下文中回答的起始索引,数据类型为uint32。
- 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
'train'
、'dev'
或'all'
。默认值:None
,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) - 是否混洗数据集。默认值:Shuffle.GLOBAL
。 如果输入False
,将不进行混洗。 如果输入True
,效果与设置 mindspore.dataset.Shuffle.GLOBAL 相同。 如果输入Shuffle枚举值,效果如下表所示:Shuffle.GLOBAL
:混洗文件和文件中的数据。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 路径下不包含数据文件。
ValueError - num_parallel_workers 参数超过系统最大线程数。
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 >>> squad_dataset_dir = "/path/to/squad_dataset_file" >>> dataset = ds.SQuADDataset(dataset_dir=squad_dataset_dir, usage='all')
- 教程样例:
关于SQuAD数据集:
SQuAD(Stanford Question Answering Dataset)是一个阅读理解数据集,由众人对一组维基百科文章提出的问题组成, 每个问题的答案都是相应阅读段落中的一段文字或范围,否则问题可能无法回答。
SQuAD 1.1,即SQuAD数据集的前一个版本,包含500多篇文章的100,000多个问题-答案对。SQuAD 2.0除包含SQuAD 1.1中的 100,000个问题外,还补充了超过50,000个由贡献者编写的不可回答的对抗性问题,它们看起来与可回答的问题类似。为了 在SQuAD 2.0中取得好成绩,系统不仅要尽量回答可回答的问题,而且要能够在段落中不存在答案时放弃回答。
您可以将数据集解压并构建成以下目录结构,并通过MindSpore的API进行读取。
SQuAD 1.1:
. └── SQuAD1 ├── train-v1.1.json └── dev-v1.1.json
SQuAD 2.0:
. └── SQuAD2 ├── train-v2.0.json └── dev-v2.0.json
引用:
@misc{rajpurkar2016squad, title = {SQuAD: 100,000+ Questions for Machine Comprehension of Text}, author = {Pranav Rajpurkar and Jian Zhang and Konstantin Lopyrev and Percy Liang}, year = {2016}, eprint = {1606.05250}, archivePrefix = {arXiv}, primaryClass = {cs.CL} } @misc{rajpurkar2018know, title = {Know What You Don't Know: Unanswerable Questions for SQuAD}, author = {Pranav Rajpurkar and Robin Jia and Percy Liang}, year = {2018}, eprint = {1806.03822}, archivePrefix = {arXiv}, primaryClass = {cs.CL} }
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
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。 |