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''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

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

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

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。