70 lines
4.4 KiB
ReStructuredText
70 lines
4.4 KiB
ReStructuredText
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)
|
||
|
||
CoNLL-2000（Conference on Computational Natural Language Learning）分块数据集。
|
||
|
||
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。
|
||
- **usage** (str, 可选) - 指定数据集的子集，可取值为 ``'train'`` 、 ``'test'`` 或 ``'all'`` 。
|
||
``'train'`` 将读取8,936个训练样本， ``'test'`` 将读取2,012个测试样本， ``'all'`` 将读取所有10,948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`` ，读取所有样本。
|
||
- **shuffle** (Union[bool, :class:`~.dataset.Shuffle`], 可选) - 每个epoch中数据混洗的模式。默认值： ``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 :class:`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`` 。一般在 `数据并行模式训练 <https://www.mindspore.cn/tutorials/zh-CN/master/parallel/data_parallel.html#数据集加载>`_ 的时候使用。
|
||
- **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`` ，使用全局默认线程数（8），也可以通过 :func:`mindspore.dataset.config.set_num_parallel_workers` 配置全局线程数。
|
||
- **cache** (:class:`~.dataset.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/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。
|
||
|
||
教程样例：
|
||
- `使用数据Pipeline加载 & 处理数据集
|
||
<https://www.mindspore.cn/docs/zh-CN/master/api_python/samples/dataset/dataset_gallery.html>`_
|
||
|
||
**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}
|
||
}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|