forked from mindspore-Ecosystem/mindspore
90 lines
5.6 KiB
ReStructuredText
90 lines
5.6 KiB
ReStructuredText
mindspore.dataset.IWSLT2016Dataset
|
||
==================================
|
||
|
||
.. py:class:: mindspore.dataset.IWSLT2016Dataset(dataset_dir, usage=None, language_pair=None, valid_set=None, test_set=None, num_samples=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, num_parallel_workers=None, cache=None)
|
||
|
||
读取和解析IWSLT2016数据集的源数据集。
|
||
|
||
生成的数据集有两列 `[text, translation]` 。 `text` 列的数据类型是string。 `translation` 列的数据类型是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'， 'valid'， 'test'或 'all'。默认值：None，读取全部样本。
|
||
- **language_pair** (sequence, 可选) - 包含源语言和目标语言的序列，支持的值为（'en'， 'fr'）、（'en'， 'de'）、（'en'， 'cs'）、（'en'， 'ar'）、（'de'， 'en'）、（'cs'， 'en'）、（'ar'， 'en'）。默认值：（'de'， 'en'）。
|
||
- **valid_set** (str, 可选) - 标识验证集的字符串，支持的值为 'dev2010'、 'tst2010'、 'tst2011'、 'tst2012'、 'tst2013'和 'tst2014'。默认值：'tst2013'。
|
||
- **test_set** (str, 可选) - 识别测试集的字符串，支持的值为 'dev2010'、 'tst2010'、 'tst2011'、 'tst'2012、 'tst2013'和 'tst2014'。默认值：'tst2014'。
|
||
- **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，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。
|
||
- **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。
|
||
- **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。
|
||
|
||
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IWSLT2016数据集：**
|
||
|
||
IWSLT是一个专门讨论口译各个方面的重要年度科学会议。IWSLT评估活动中的MT任务被构成一个数据集，该数据集可通过 `wit3 <https://wit3.fbk.eu>`_ 公开获取。
|
||
IWSLT2016数据集包括从英语到阿拉伯语、捷克、法语和德语的翻译，以及从阿拉伯语、捷克、法语和德语到英语的翻译。
|
||
|
||
可以将原始IWSLT2016数据集文件解压缩到此目录结构中，并由MindSpore的API读取。解压后，还需要将要读取的数据集解压到指定文件夹中。例如，如果要读取de-en的数据集，则需要解压缩de/en目录下的tgz文件，数据集位于解压缩文件夹中。
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── iwslt2016_dataset_directory
|
||
├── subeval_files
|
||
└── texts
|
||
├── ar
|
||
│ └── en
|
||
│ └── ar-en
|
||
├── cs
|
||
│ └── en
|
||
│ └── cs-en
|
||
├── de
|
||
│ └── en
|
||
│ └── de-en
|
||
│ ├── IWSLT16.TED.dev2010.de-en.de.xml
|
||
│ ├── train.tags.de-en.de
|
||
│ ├── ...
|
||
├── en
|
||
│ ├── ar
|
||
│ │ └── en-ar
|
||
│ ├── cs
|
||
│ │ └── en-cs
|
||
│ ├── de
|
||
│ │ └── en-de
|
||
│ └── fr
|
||
│ └── en-fr
|
||
└── fr
|
||
└── en
|
||
└── fr-en
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@inproceedings{cettoloEtAl:EAMT2012,
|
||
Address = {Trento, Italy},
|
||
Author = {Mauro Cettolo and Christian Girardi and Marcello Federico},
|
||
Booktitle = {Proceedings of the 16$^{th}$ Conference of the European Association for Machine Translation
|
||
(EAMT)},
|
||
Date = {28-30},
|
||
Month = {May},
|
||
Pages = {261--268},
|
||
Title = {WIT$^3$: Web Inventory of Transcribed and Translated Talks},
|
||
Year = {2012}}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|