94 lines
5.1 KiB
ReStructuredText
94 lines
5.1 KiB
ReStructuredText
mindspore.dataset.SQuADDataset
|
||
==============================
|
||
|
||
.. py:class:: mindspore.dataset.SQuADDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, cache=None)
|
||
|
||
SQuAD 1.1和SQuAD 2.0数据集。
|
||
|
||
不同版本和子集生成的数据集具有相同的列: `[context, question, text, answer_start]`。
|
||
`context` 列的数据类型为string。
|
||
`question` 列的数据类型为string。
|
||
`text` 列为上下文中的回答，数据类型为string。
|
||
`answer_start` 列为上下文中回答的起始索引，数据类型为uint32。
|
||
|
||
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'`` 、 ``'dev'`` 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。
|
||
- **shuffle** (Union[bool, :class:`~.dataset.Shuffle`], 可选) - 每个epoch中数据混洗的模式，支持传入bool类型或枚举类型进行指定。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 ``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。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。默认值： ``None`` 。只有当指定了 `num_shards` 时才能指定此参数。
|
||
- **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` 路径下不包含数据文件。
|
||
- **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** - 如果 `shard_id` 取值不在[0, `num_shards` )范围。
|
||
|
||
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SQuAD数据集：**
|
||
|
||
SQuAD（Stanford Question Answering Dataset）是一个阅读理解数据集，由众人对一组维基百科文章提出的问题组成，
|
||
每个问题的答案都是相应阅读段落中的一段文字或范围，否则问题可能无法回答。
|
||
|
||
SQuAD 1.1，即SQuAD数据集的前一个版本，包含500多篇文章的100,000多个问题-答案对。SQuAD 2.0除包含SQuAD 1.1中的\
|
||
100,000个问题外，还补充了超过50,000个由贡献者编写的不可回答的对抗性问题，它们看起来与可回答的问题类似。为了\
|
||
在SQuAD 2.0中取得好成绩，系统不仅要尽量回答可回答的问题，而且要能够在段落中不存在答案时放弃回答。
|
||
|
||
您可以将数据集解压并构建成以下目录结构，并通过MindSpore的API进行读取。
|
||
|
||
SQuAD 1.1:
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── SQuAD1
|
||
├── train-v1.1.json
|
||
└── dev-v1.1.json
|
||
|
||
SQuAD 2.0:
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── SQuAD2
|
||
├── train-v2.0.json
|
||
└── dev-v2.0.json
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@misc{rajpurkar2016squad,
|
||
title = {SQuAD: 100,000+ Questions for Machine Comprehension of Text},
|
||
author = {Pranav Rajpurkar and Jian Zhang and Konstantin Lopyrev and Percy Liang},
|
||
year = {2016},
|
||
eprint = {1606.05250},
|
||
archivePrefix = {arXiv},
|
||
primaryClass = {cs.CL}
|
||
}
|
||
|
||
@misc{rajpurkar2018know,
|
||
title = {Know What You Don't Know: Unanswerable Questions for SQuAD},
|
||
author = {Pranav Rajpurkar and Robin Jia and Percy Liang},
|
||
year = {2018},
|
||
eprint = {1806.03822},
|
||
archivePrefix = {arXiv},
|
||
primaryClass = {cs.CL}
|
||
}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|