nsynth

• توضیحات :

مجموعه داده‌های NSynth یک مجموعه داده صوتی است که شامل 300 هزار نت موسیقی است که هرکدام دارای زیر و بم، صدا و پاکت منحصربه‌فردی است. هر یادداشت با سه بخش اطلاعات اضافی بر اساس ترکیبی از ارزیابی انسانی و الگوریتم های اکتشافی حاشیه نویسی می شود: منبع، خانواده و کیفیت.

• اسناد اضافی : کاوش در کاغذها با کد

• صفحه اصلی : https://g.co/magenta/nsynth-dataset

• کد منبع : tfds.datasets.nsynth.Builder

• نسخه ها :

  • 2.3.0 : ویژگی جدید loudness_db در دسی بل (غیر عادی).
  • 2.3.1 : F0 با اصلاح نرمال سازی در CREPE محاسبه می شود.
  • 2.3.2 : از ویژگی صوتی استفاده کنید.
  • 2.3.3 (پیش‌فرض): F0 با اصلاح در نرمال‌سازی موج CREPE محاسبه می‌شود ( https://github.com/marl/crepe/issues/49 ).

• ذخیره خودکار ( اسناد ): خیر

• کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• نقل قول :

@InProceedings{pmlr-v70-engel17a,
  title =    {Neural Audio Synthesis of Musical Notes with {W}ave{N}et Autoencoders},
  author =   {Jesse Engel and Cinjon Resnick and Adam Roberts and Sander Dieleman and Mohammad Norouzi and Douglas Eck and Karen Simonyan},
  booktitle =    {Proceedings of the 34th International Conference on Machine Learning},
  pages =    {1068--1077},
  year =     {2017},
  editor =   {Doina Precup and Yee Whye Teh},
  volume =   {70},
  series =   {Proceedings of Machine Learning Research},
  address =      {International Convention Centre, Sydney, Australia},
  month =    {06--11 Aug},
  publisher =    {PMLR},
  pdf =      {http://proceedings.mlr.press/v70/engel17a/engel17a.pdf},
  url =      {http://proceedings.mlr.press/v70/engel17a.html},
}

nsynth/full (پیکربندی پیش فرض)

• توضیحات پیکربندی : مجموعه داده کامل NSynth به مجموعه‌های قطار، معتبر و آزمایشی تقسیم می‌شود، بدون اینکه ابزاری بین مجموعه قطار و مجموعه‌های آزمایشی معتبر همپوشانی داشته باشد.

• حجم دانلود : 73.07 GiB

• حجم مجموعه داده : 73.09 GiB

• تقسیم ها :

شکاف	مثال ها
'test'	4,096
'train'	289,205
'valid'	12678

• ساختار ویژگی :

FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
سمعی	سمعی	(64000،)	float32
شناسه	تانسور		رشته
ابزار	FeaturesDict
ساز/خانواده	ClassLabel		int64
ابزار/برچسب	ClassLabel		int64
ابزار/منبع	ClassLabel		int64
گام صدا	ClassLabel		int64
کیفیت ها	FeaturesDict
کیفیت/روشن	تانسور		بوول
کیفیت / تاریکی	تانسور		بوول
کیفیت / تحریف	تانسور		بوول
کیفیت ها/فاسد_سریع	تانسور		بوول
کیفیت/long_release	تانسور		بوول
کیفیت / چند صدایی	تانسور		بوول
کیفیت/غیرخطی_env	تانسور		بوول
کیفیت/ضربه	تانسور		بوول
کیفیت / طنین	تانسور		بوول
کیفیت/تمپو همگام سازی شده	تانسور		بوول
سرعت	ClassLabel		int64

• مثال‌ها ( tfds.as_dataframe ):

nsynth/gansynth_subset

• توضیحات پیکربندی : مجموعه داده NSynth محدود به سازهای صوتی در فاصله زمانی MIDI [24، 84] است. از تقسیم‌های متناوب استفاده می‌کند که در سازها (اما نه یادداشت‌های دقیق) بین مجموعه قطار و مجموعه‌های معتبر/آزمون همپوشانی دارند. این نوع در اصل در مقاله ICLR 2019 GANSynth ( https://arxiv.org/abs/1902.08710 ) معرفی شد.

• حجم دانلود : 73.08 GiB

• حجم مجموعه داده : 20.73 GiB

• تقسیم ها :

شکاف	مثال ها
'test'	8,518
'train'	60,788
'valid'	17,469

• ساختار ویژگی :

FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
سمعی	سمعی	(64000،)	float32
شناسه	تانسور		رشته
ابزار	FeaturesDict
ساز/خانواده	ClassLabel		int64
ابزار/برچسب	ClassLabel		int64
ابزار/منبع	ClassLabel		int64
گام صدا	ClassLabel		int64
کیفیت ها	FeaturesDict
کیفیت/روشن	تانسور		بوول
کیفیت / تاریکی	تانسور		بوول
کیفیت / تحریف	تانسور		بوول
کیفیت ها/فاسد_سریع	تانسور		بوول
کیفیت/long_release	تانسور		بوول
کیفیت / چند صدایی	تانسور		بوول
کیفیت/غیرخطی_env	تانسور		بوول
کیفیت/ضربه	تانسور		بوول
کیفیت / طنین	تانسور		بوول
کیفیت/تمپو همگام سازی شده	تانسور		بوول
سرعت	ClassLabel		int64

• مثال‌ها ( tfds.as_dataframe ):

nsynth/gansynth_subset.f0_and_loudness

• توضیحات پیکربندی : مجموعه داده NSynth محدود به سازهای صوتی در فاصله زمانی MIDI [24، 84] است. از تقسیم‌های متناوب استفاده می‌کند که در سازها (اما نه یادداشت‌های دقیق) بین مجموعه قطار و مجموعه‌های معتبر/آزمون همپوشانی دارند. این نوع در اصل در مقاله ICLR 2019 GANSynth ( https://arxiv.org/abs/1902.08710 ) معرفی شد. این نسخه علاوه بر این شامل تخمین‌هایی برای F0 با استفاده از CREPE (Kim et al., 2018) و بلندی ادراکی A-weighted در دسی‌بل است. هر دو سیگنال با نرخ فریم 250 هرتز ارائه می شوند.

• حجم دانلود : 73.08 GiB

• حجم مجموعه داده : 22.03 GiB

• تقسیم ها :

شکاف	مثال ها
'test'	8,518
'train'	60,788
'valid'	17,469

• ساختار ویژگی :

FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'f0': FeaturesDict({
        'confidence': Tensor(shape=(1000,), dtype=float32),
        'hz': Tensor(shape=(1000,), dtype=float32),
        'midi': Tensor(shape=(1000,), dtype=float32),
    }),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'loudness': FeaturesDict({
        'db': Tensor(shape=(1000,), dtype=float32),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
سمعی	سمعی	(64000،)	float32
f0	FeaturesDict
f0/اعتماد به نفس	تانسور	(1000،)	float32
f0/hz	تانسور	(1000،)	float32
f0/midi	تانسور	(1000،)	float32
شناسه	تانسور		رشته
ابزار	FeaturesDict
ساز/خانواده	ClassLabel		int64
ابزار/برچسب	ClassLabel		int64
ابزار/منبع	ClassLabel		int64
بلندی صدا	FeaturesDict
بلندی صدا/db	تانسور	(1000،)	float32
گام صدا	ClassLabel		int64
کیفیت ها	FeaturesDict
کیفیت/روشن	تانسور		بوول
کیفیت / تاریکی	تانسور		بوول
کیفیت / تحریف	تانسور		بوول
کیفیت ها/فاسد_سریع	تانسور		بوول
کیفیت/long_release	تانسور		بوول
کیفیت / چند صدایی	تانسور		بوول
کیفیت/غیرخطی_env	تانسور		بوول
کیفیت/ضربه	تانسور		بوول
کیفیت / طنین	تانسور		بوول
کیفیت/تمپو همگام سازی شده	تانسور		بوول
سرعت	ClassLabel		int64

• مثال‌ها ( tfds.as_dataframe ):