2022-09-07 09:38:57 +08:00
|
|
|
|
mindspore.dataset.CoNLL2000Dataset
|
|
|
|
|
|
==================================
|
|
|
|
|
|
|
|
|
|
|
|
.. py: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)
|
|
|
|
|
|
|
|
|
|
|
|
读取和解析CoNLL2000分块数据集的源数据集。
|
|
|
|
|
|
|
|
|
|
|
|
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。
|
2022-11-21 18:55:50 +08:00
|
|
|
|
- **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。
|
2022-09-07 09:38:57 +08:00
|
|
|
|
- **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：mindspore.dataset.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mindspore.dataset.config中配置的线程数。
|
2022-12-15 15:54:23 +08:00
|
|
|
|
- **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 <https://www.mindspore.cn/tutorials/experts/zh-CN/r2.0.0-alpha/dataset/cache.html>`_ 。默认值：None，不使用缓存。
|
2022-09-07 09:38:57 +08:00
|
|
|
|
|
|
|
|
|
|
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。
|
|
|
|
|
|
|
|
|
|
|
|
**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：
|
|
|
|
|
|
|
|
|
|
|
|
.. code-block::
|
|
|
|
|
|
|
|
|
|
|
|
.
|
|
|
|
|
|
└── conll2000_dataset_dir
|
|
|
|
|
|
├── train.txt
|
|
|
|
|
|
├── test.txt
|
|
|
|
|
|
└── readme.txt
|
|
|
|
|
|
|
|
|
|
|
|
**引用：**
|
|
|
|
|
|
|
|
|
|
|
|
.. code-block::
|
|
|
|
|
|
|
|
|
|
|
|
@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}
|
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
|
|
|
2022-09-15 20:28:21 +08:00
|
|
|
|
.. include:: mindspore.dataset.api_list_nlp.rst
|
