forked from mindspore-Ecosystem/mindspore
63 lines
3.9 KiB
ReStructuredText
63 lines
3.9 KiB
ReStructuredText
mindspore.dataset.AGNewsDataset
|
||
===============================
|
||
|
||
.. py:class:: mindspore.dataset.AGNewsDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, cache=None)
|
||
|
||
读取和解析AG News数据集的源文件构建数据集。
|
||
|
||
生成的数据集有三列 `[index, title, description]` ，三列的数据类型均为string。
|
||
|
||
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'， 'test'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，读取所有样本。
|
||
- **num_parallel_workers** (int, 可选) - 指定读取数据的工作线程数。默认值：None，使用mindspore.dataset.config中配置的线程数。
|
||
- **shuffle** (Union[bool, Shuffle], 可选) - 每个epoch中数据混洗的模式，支持传入bool类型与枚举类型进行指定。默认值：`Shuffle.GLOBAL` 。
|
||
如果 `shuffle` 为False，则不混洗，如果 `shuffle` 为True，等同于将 `shuffle` 设置为mindspore.dataset.Shuffle.GLOBAL。
|
||
通过传入枚举变量设置数据混洗的模式：
|
||
|
||
- **Shuffle.GLOBAL**：混洗文件和样本。
|
||
- **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 <https://www.mindspore.cn/tutorials/experts/zh-CN/master/dataset/cache.html>`_ 。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。
|
||
- **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。
|
||
|
||
**关于AGNews数据集：**
|
||
|
||
AG是一个大型合集，具有超过100万篇新闻文章。这些新闻文章是由ComeToMyHead在持续1年多的活动中，从2000多个新闻来源收集的。ComeToMyHead是一个学术新闻搜索引擎，自2004年7月以来一直在运营。
|
||
数据集由学者提供，用于研究目的，如数据挖掘（聚类、分类等）、信息检索（排名、搜索等）、xml、数据压缩、数据流和任何其他非商业活动。
|
||
AG的新闻主题类别来自于原始语料库中四个最大的类别。每个分类包含30000个训练样本和1900个测试样本。train.csv中的训练样本总数为12万，test.csv中的测试样本总数为7600。
|
||
|
||
可以将数据集文件解压缩到以下结构中，并通过MindSpore的API读取：
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── ag_news_dataset_dir
|
||
├── classes.txt
|
||
├── train.csv
|
||
├── test.csv
|
||
└── readme.txt
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@misc{zhang2015characterlevel,
|
||
title={Character-level Convolutional Networks for Text Classification},
|
||
author={Xiang Zhang and Junbo Zhao and Yann LeCun},
|
||
year={2015},
|
||
eprint={1509.01626},
|
||
archivePrefix={arXiv},
|
||
primaryClass={cs.LG}
|
||
}
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|