forked from mindspore-Ecosystem/mindspore
64 lines
3.8 KiB
ReStructuredText
64 lines
3.8 KiB
ReStructuredText
mindspore.dataset.YahooAnswersDataset
|
||
=====================================
|
||
|
||
.. py:class:: mindspore.dataset.YahooAnswersDataset(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YahooAnswers数据集的源数据集。
|
||
|
||
生成的数据集有四列 `[class, title, content, answer]` ，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'。
|
||
取值为'train'时将会读取1,400,000个训练样本，取值为'test'时将会读取60,000个测试样本，取值为'all'时将会读取全部1,460,000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：mindspore.dataset.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。
|
||
- **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** - `shard_id` 参数值错误（小于0或者大于等于 `num_shards` ）。
|
||
|
||
**关于YahooAnswers数据集：**
|
||
|
||
YahooAnswers数据集包含10个类的63万个文本样本。
|
||
train.csv中有56万个样本，test.csv中有7万个样本。
|
||
这10个不同的类代表社会与文化、科学与数学、健康、教育与参考、计算机与互联网、体育、商业与金融、娱乐与音乐、家庭与关系、政治与政府。
|
||
|
||
以下是原始的YahooAnswers数据集结构，可以将数据集文件解压缩到此目录结构中，并由Mindspore的API读取。
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── yahoo_answers_dataset_dir
|
||
├── train.csv
|
||
├── test.csv
|
||
├── classes.txt
|
||
└── readme.txt
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@article{YahooAnswers,
|
||
title = {Yahoo! Answers Topic Classification Dataset},
|
||
author = {Xiang Zhang},
|
||
year = {2015},
|
||
howpublished = {}
|
||
}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|