68 lines
4.3 KiB
ReStructuredText
68 lines
4.3 KiB
ReStructuredText
mindspore.dataset.WikiTextDataset
|
||
=================================
|
||
|
||
.. py:class:: mindspore.dataset.WikiTextDataset(dataset_dir, usage=None, num_samples=None, num_parallel_workers=None, shuffle=Shuffle.GLOBAL, num_shards=None, shard_id=None, cache=None)
|
||
|
||
WikiText2和WikiText103数据集。
|
||
|
||
生成的数据集有一列 `[text]` ，数据类型为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'`` 、 ``'valid'`` 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` 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** - 如果 `shard_id` 取值不在[0, `num_shards` )范围。
|
||
- **ValueError** - `num_samples` 参数值错误，小于0。
|
||
- **ValueError** - `num_parallel_workers` 参数超过系统最大线程数。
|
||
|
||
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WikiText数据集：**
|
||
|
||
WikiText数据集是一个包含1亿词的英语词典。
|
||
这些样本术语来自维基百科的高级和基础文章，包括WikiText2和WikiText103的版本。
|
||
对于WikiText2，在wiki.train.tokens中有36718个样本，在wiki.test.tokens中有4358个样本，在wiki.valid.tokens中有3760个样本。
|
||
对于WikiText103，在wiki.train.tokens中有1801350个样本，在wiki.test.tokens中有4358个样本，在wiki.valid.tokens中有3760个样本。
|
||
|
||
以下是原始的WikiText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::
|
||
|
||
.
|
||
└── WikiText2/WikiText103
|
||
├── wiki.train.tokens
|
||
├── wiki.test.tokens
|
||
├── wiki.valid.tokens
|
||
|
||
**引用：**
|
||
|
||
.. code-block::
|
||
|
||
@article{merity2016pointer,
|
||
title={Pointer sentinel mixture models},
|
||
author={Merity, Stephen and Xiong, Caiming and Bradbury, James and Socher, Richard},
|
||
journal={arXiv preprint arXiv:1609.07843},
|
||
year={2016}
|
||
}
|
||
|
||
|
||
.. include:: mindspore.dataset.api_list_nlp.rst
|