mindspore.dataset.CoNLL2000Dataset
- class mindspore.dataset.CoNLL2000Dataset(dataset_dir, usage=None, num_samples=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, num_parallel_workers=None, cache=None)[源代码]
CoNLL-2000(Conference on Computational Natural Language Learning)分块数据集。
生成的数据集有三列 [word, pos_tag, chunk_tag] 。三列的数据类型均为string。
- 参数:
dataset_dir (str) - 包含CoNLL2000分块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'
、'test'
或'all'
。'train'
将读取8936个训练样本,'test'
将读取2,012个测试样本中,'all'
将读取所有1,0948个样本。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
,读取所有样本。shuffle (Union[bool,
Shuffle
], 可选) - 每个epoch中数据混洗的模式。默认值:Shuffle.GLOBAL
。 如果 shuffle 为False
,则不混洗。如果 shuffle 为True
,执行全局混洗。 总共有三种混洗模式,通过枚举变量mindspore.dataset.Shuffle
指定。Shuffle.GLOBAL
:混洗文件和样本,与设置为True
效果相同。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。指定此参数后, num_samples 表示每个分片的最大样本数。默认值:
None
。shard_id (int, 可选) - 指定分布式训练时使用的分片ID号。只有当指定了 num_shards 时才能指定此参数。默认值:
None
。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。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 参数所指向的文件目录不存在或缺少数据集文件。
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。
样例:
>>> import mindspore.dataset as ds >>> conll2000_dataset_dir = "/path/to/conll2000_dataset_dir" >>> dataset = ds.CoNLL2000Dataset(dataset_dir=conll2000_dataset_dir, usage='all')
- 教程样例:
关于CoNLL2000数据集:
CoNLL2000分块数据集由华尔街日报语料库第15-20节的文本组成。 文本使用IOB表示法进行分块,分块类型有NP, VP, PP, ADJP和ADVP。 数据集由通过空格分隔的三列组成。第一列包含当前单词,第二列是由Brill标注器派生的词性标注,第三列是由华尔街语料库派生的分块标注。 文本分块旨在将文本划分为单词的句法的相关组成部分。
可以将数据集文件解压缩到以下结构,并通过MindSpore的API读取:
. └── conll2000_dataset_dir ├── train.txt ├── test.txt └── readme.txt
引用:
@inproceedings{tksbuchholz2000conll, author = {Tjong Kim Sang, Erik F. and Sabine Buchholz}, title = {Introduction to the CoNLL-2000 Shared Task: Chunking}, editor = {Claire Cardie and Walter Daelemans and Claire Nedellec and Tjong Kim Sang, Erik}, booktitle = {Proceedings of CoNLL-2000 and LLL-2000}, publisher = {Lisbon, Portugal}, pages = {127--132}, year = {2000} }
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。 |