- 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 جدیدloudness_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 ):