nsynth

বর্ণনা :

NSynth ডেটাসেট হল একটি অডিও ডেটাসেট যাতে রয়েছে ~300k মিউজিক্যাল নোট, প্রতিটিতে একটি অনন্য পিচ, কাঠ এবং খাম রয়েছে। প্রতিটি নোট মানব মূল্যায়ন এবং হিউরিস্টিক অ্যালগরিদমের সমন্বয়ের উপর ভিত্তি করে তথ্যের তিনটি অতিরিক্ত টুকরা দিয়ে টীকা করা হয়: উত্স, পরিবার এবং গুণাবলী।

অতিরিক্ত ডকুমেন্টেশন : কোড সহ কাগজপত্রে অন্বেষণ করুন
হোমপেজ : https://g.co/magenta/nsynth-dataset
সোর্স কোড : tfds.datasets.nsynth.Builder
সংস্করণ :
- 2.3.0 : ডেসিবেলে নতুন loudness_db বৈশিষ্ট্য (অসাধারণ)।
- 2.3.1 : CREPE-তে স্বাভাবিককরণ ফিক্সের সাথে F0 গণনা করা হয়েছে।
- 2.3.2 : অডিও বৈশিষ্ট্য ব্যবহার করুন।
- 2.3.3 (ডিফল্ট): CREPE তরঙ্গ স্বাভাবিককরণে ফিক্স সহ F0 গণনা করা হয়েছে ( https://github.com/marl/crepe/issues/49 )।
স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): না
তত্ত্বাবধান করা কী (দেখুন as_supervised doc ): None
চিত্র ( tfds.show_examples ): সমর্থিত নয়।
উদ্ধৃতি :

@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/পূর্ণ (ডিফল্ট কনফিগারেশন)

কনফিগারেশনের বিবরণ : সম্পূর্ণ NSynth ডেটাসেটকে ট্রেন, বৈধ এবং পরীক্ষা সেটে বিভক্ত করা হয়েছে, ট্রেন সেট এবং বৈধ/পরীক্ষা সেটের মধ্যে কোনো যন্ত্র ওভারল্যাপ করা নেই।
ডাউনলোড 73.07 GiB
ডেটাসেটের আকার : 73.09 GiB
বিভাজন :

বিভক্ত	উদাহরণ
`'test'`	৪,০৯৬
`'train'`	289,205
`'valid'`	12,678

বৈশিষ্ট্য গঠন :

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),
})

বৈশিষ্ট্য ডকুমেন্টেশন :

বৈশিষ্ট্য	ক্লাস	আকৃতি	ডিটাইপ
	ফিচারসডিক্ট
শ্রুতি	শ্রুতি	(64000,)	float32
আইডি	টেনসর		স্ট্রিং
যন্ত্র	ফিচারসডিক্ট
যন্ত্র/পরিবার	ক্লাসলেবেল		int64
যন্ত্র/লেবেল	ক্লাসলেবেল		int64
যন্ত্র/উৎস	ক্লাসলেবেল		int64
পিচ	ক্লাসলেবেল		int64
গুণাবলী	ফিচারসডিক্ট
গুণাবলী/উজ্জ্বল	টেনসর		bool
গুণাবলী/অন্ধকার	টেনসর		bool
গুণাবলী/বিকৃতি	টেনসর		bool
গুণাবলী/দ্রুত_ক্ষয়	টেনসর		bool
গুণাবলী/দীর্ঘ_মুক্তি	টেনসর		bool
গুণাবলী/মাল্টিফোনিক	টেনসর		bool
গুণাবলী/nonlinear_env	টেনসর		bool
গুণাবলী/তাড়িত	টেনসর		bool
গুণাবলী/প্রতিক্রিয়া	টেনসর		bool
গুণাবলী/টেম্পো-সিঙ্কড	টেনসর		bool
বেগ	ক্লাসলেবেল		int64

উদাহরণ ( tfds.as_dataframe ):

nsynth/gansynth_subset

কনফিগারেশনের বিবরণ : NSynth ডেটাসেট MIDI পিচ ব্যবধানে শাব্দ যন্ত্রের মধ্যে সীমাবদ্ধ [24, 84]। ট্রেন সেট এবং বৈধ/পরীক্ষা সেটের মধ্যে যন্ত্রগুলিতে ওভারল্যাপ (কিন্তু সঠিক নোট নয়) বিকল্প স্প্লিট ব্যবহার করে। এই বৈকল্পিকটি মূলত ICLR 2019 GANSynth কাগজে ( https://arxiv.org/abs/1902.08710 ) চালু করা হয়েছিল।
ডাউনলোড সাইজ : 73.08 GiB
ডেটাসেটের আকার : 20.73 GiB
বিভাজন :

বিভক্ত	উদাহরণ
`'test'`	৮,৫১৮
`'train'`	60,788
`'valid'`	17,469

বৈশিষ্ট্য গঠন :

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),
})

বৈশিষ্ট্য ডকুমেন্টেশন :

বৈশিষ্ট্য	ক্লাস	আকৃতি	ডিটাইপ
	ফিচারসডিক্ট
শ্রুতি	শ্রুতি	(64000,)	float32
আইডি	টেনসর		স্ট্রিং
যন্ত্র	ফিচারসডিক্ট
যন্ত্র/পরিবার	ক্লাসলেবেল		int64
যন্ত্র/লেবেল	ক্লাসলেবেল		int64
যন্ত্র/উৎস	ক্লাসলেবেল		int64
পিচ	ক্লাসলেবেল		int64
গুণাবলী	ফিচারসডিক্ট
গুণাবলী/উজ্জ্বল	টেনসর		bool
গুণাবলী/অন্ধকার	টেনসর		bool
গুণাবলী/বিকৃতি	টেনসর		bool
গুণাবলী/দ্রুত_ক্ষয়	টেনসর		bool
গুণাবলী/দীর্ঘ_মুক্তি	টেনসর		bool
গুণাবলী/মাল্টিফোনিক	টেনসর		bool
গুণাবলী/nonlinear_env	টেনসর		bool
গুণাবলী/তাড়িত	টেনসর		bool
গুণাবলী/প্রতিক্রিয়া	টেনসর		bool
গুণাবলী/টেম্পো-সিঙ্কড	টেনসর		bool
বেগ	ক্লাসলেবেল		int64

উদাহরণ ( tfds.as_dataframe ):

nsynth/gansynth_subset.f0_and_loudness

কনফিগারেশনের বিবরণ : NSynth ডেটাসেট MIDI পিচ ব্যবধানে শাব্দ যন্ত্রের মধ্যে সীমাবদ্ধ [24, 84]। ট্রেন সেট এবং বৈধ/পরীক্ষা সেটের মধ্যে যন্ত্রগুলিতে ওভারল্যাপ (কিন্তু সঠিক নোট নয়) বিকল্প স্প্লিট ব্যবহার করে। এই বৈকল্পিকটি মূলত ICLR 2019 GANSynth কাগজে ( https://arxiv.org/abs/1902.08710 ) চালু করা হয়েছিল। এই সংস্করণে অতিরিক্তভাবে CREPE (Kim et al., 2018) ব্যবহার করে F0 এর অনুমান এবং ডেসিবেলে A-ভারিত উপলব্ধিমূলক উচ্চতা রয়েছে। উভয় সংকেত 250Hz এর একটি ফ্রেম হারে প্রদান করা হয়।
ডাউনলোড সাইজ : 73.08 GiB
ডেটাসেটের আকার : 22.03 GiB
বিভাজন :

বিভক্ত	উদাহরণ
`'test'`	৮,৫১৮
`'train'`	60,788
`'valid'`	17,469

বৈশিষ্ট্য গঠন :

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),
})

বৈশিষ্ট্য ডকুমেন্টেশন :

বৈশিষ্ট্য	ক্লাস	আকৃতি	ডিটাইপ
	ফিচারসডিক্ট
শ্রুতি	শ্রুতি	(64000,)	float32
f0	ফিচারসডিক্ট
f0/আত্মবিশ্বাস	টেনসর	(1000,)	float32
f0/hz	টেনসর	(1000,)	float32
f0/মিডি	টেনসর	(1000,)	float32
আইডি	টেনসর		স্ট্রিং
যন্ত্র	ফিচারসডিক্ট
যন্ত্র/পরিবার	ক্লাসলেবেল		int64
যন্ত্র/লেবেল	ক্লাসলেবেল		int64
যন্ত্র/উৎস	ক্লাসলেবেল		int64
জোর	ফিচারসডিক্ট
উচ্চতা/ডিবি	টেনসর	(1000,)	float32
পিচ	ক্লাসলেবেল		int64
গুণাবলী	ফিচারসডিক্ট
গুণাবলী/উজ্জ্বল	টেনসর		bool
গুণাবলী/অন্ধকার	টেনসর		bool
গুণাবলী/বিকৃতি	টেনসর		bool
গুণাবলী/দ্রুত_ক্ষয়	টেনসর		bool
গুণাবলী/দীর্ঘ_মুক্তি	টেনসর		bool
গুণাবলী/মাল্টিফোনিক	টেনসর		bool
গুণাবলী/nonlinear_env	টেনসর		bool
গুণাবলী/তাড়িত	টেনসর		bool
গুণাবলী/প্রতিক্রিয়া	টেনসর		bool
গুণাবলী/টেম্পো-সিঙ্কড	টেনসর		bool
বেগ	ক্লাসলেবেল		int64

উদাহরণ ( tfds.as_dataframe ):