89 lines
5.4 KiB
ReStructuredText
89 lines
5.4 KiB
ReStructuredText
mindspore.dataset.IMDBDataset
|
||
=============================
|
||
|
||
.. py:class:: mindspore.dataset.IMDBDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=None, sampler=None, num_shards=None, shard_id=None, cache=None)
|
||
|
||
IMDb（Internet Movie Database）数据集。
|
||
|
||
生成的数据集有两列 `[text, label]` 。 `text` 列的数据类型是string。 `label` 列的数据类型是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'`` 、 ``'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** (bool, 可选) - 是否混洗数据集。默认值： ``None`` 。下表中会展示不同参数配置的预期行为。
|
||
- **sampler** (Sampler, 可选) - 指定从数据集中选取样本的采样器。默认值： ``None`` 。下表中会展示不同配置的预期行为。
|
||
- **num_shards** (int, 可选) - 指定分布式训练时数据集划分的片数。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` 参数所指向的文件目录不存在或缺少数据集文件。
|
||
- **RuntimeError** - 同时指定了 `sampler` 和 `shuffle` 参数。
|
||
- **RuntimeError** - 同时指定了 `sampler` 和 `num_shards` 参数，或同时指定了 `sampler` 和 `shard_id` 参数。
|
||
- **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** - `num_parallel_workers` 参数超过系统最大线程数。
|
||
- **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>`_
|
||
|
||
.. note:: 入参 `num_samples` 、 `shuffle` 、 `num_shards` 、 `shard_id` 可用于控制数据集所使用的采样器，其与入参 `sampler` 搭配使用的效果如下。
|
||
|
||
.. include:: mindspore.dataset.sampler.rst
|
||
|
||
**关于IMDB数据集：**
|
||
|
||
IMDB数据集包含来自互联网电影数据库（IMDB）的50000条高度两极分化的评论。
|
||
数据集分为25,000条用于训练的评论和25,000条用于测试的评论，训练集和测试集都包含50%的积极评论和50%的消极评论。
|
||
训练标签和测试标签分别是0和1，其中0代表负样本，1代表正样本。
|
||
|
||
可以将数据集文件解压缩到此目录结构中，并通过MindSpore的API读取。
|
||
|
||
.. code-block::
|
||
|
||
.
|
||
└── imdb_dataset_directory
|
||
├── train
|
||
│ ├── pos
|
||
│ │ ├── 0_9.txt
|
||
│ │ ├── 1_7.txt
|
||
│ │ ├── ...
|
||
│ ├── neg
|
||
│ │ ├── 0_3.txt
|
||
│ │ ├── 1_1.txt
|
||
│ │ ├── ...
|
||
├── test
|
||
│ ├── pos
|
||
│ │ ├── 0_10.txt
|
||
│ │ ├── 1_10.txt
|
||
│ │ ├── ...
|
||
│ ├── neg
|
||
│ │ ├── 0_2.txt
|
||
│ │ ├── 1_3.txt
|
||
│ │ ├── ...
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@InProceedings{maas-EtAl:2011:ACL-HLT2011,
|
||
author = {Maas, Andrew L. and Daly, Raymond E. and Pham, Peter T. and Huang, Dan
|
||
and Ng, Andrew Y. and Potts, Christopher},
|
||
title = {Learning Word Vectors for Sentiment Analysis},
|
||
booktitle = {Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics:
|
||
Human Language Technologies},
|
||
month = {June},
|
||
year = {2011},
|
||
address = {Portland, Oregon, USA},
|
||
publisher = {Association for Computational Linguistics},
|
||
pages = {142--150},
|
||
url = {http://www.aclweb.org/anthology/P11-1015}
|
||
}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|