канавка

• Описание:

Groove MIDI Dataset (GMD) состоит из 13,6 часов выровненного MIDI и (синтезированного) звука исполняемой человеком, выровненной по темпу выразительной игры на ударных, записанных на электронной ударной установке Roland TD-11 V-Drum.

• Домашняя страница: https://g.co/magenta/groove-dataset

• Исходный код: tfds.audio.Groove

• Версии:

  • 2.0.1 ( по умолчанию): Нет Замечания к выпуску.

• Контролируемые ключи (см as_supervised документ ): None

• Рис ( tfds.show_examples ): Не поддерживается.

• Образец цитирования:

@inproceedings{groove2019,
    Author = {Jon Gillick and Adam Roberts and Jesse Engel and Douglas Eck and David Bamman},
    Title = {Learning to Groove with Inverse Sequence Transformations},
    Booktitle   = {International Conference on Machine Learning (ICML)}
    Year = {2019},
}

groove / full-midionly (конфигурация по умолчанию)

• Описание Config: Groove набор данных без звука, неразъемные.

• Скачать Размер: 3.11 MiB

• Dataset Размер: 5.22 MiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

• Примеры ( tfds.as_dataframe ):

паз / полный - 16000 Гц

• Описание Config: Groove набор данных с аудио, нерасщеплённой.

• Скачать Размер: 4.76 GiB

• Dataset Размер: 2.33 GiB

• Авто-кэшируются ( документация ): Нет

• расколы:

• Особенности:

FeaturesDict({
    'audio': Audio(shape=(None,), dtype=tf.float32),
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

• Примеры ( tfds.as_dataframe ):

паз / 2бар-мидионли

• Описание Config: Groove набор данных без звука, разделилась на 2-стержневых куски.

• Скачать Размер: 3.11 MiB

• Dataset Размер: 19.59 MiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

• Примеры ( tfds.as_dataframe ):

паз / 2 бар-16000 Гц

• Описание Config: Groove набор данных с аудио, разделилась на 2-стержневых куски.

• Скачать Размер: 4.76 GiB

• Dataset Размер: 4.61 GiB

• Авто-кэшируются ( документация ): Нет

• расколы:

• Особенности:

FeaturesDict({
    'audio': Audio(shape=(None,), dtype=tf.float32),
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

• Примеры ( tfds.as_dataframe ):

паз / 4 бар-мидионли

• Описание Config: Groove набор данных без звука, разделяется на 4-стержневых куски.

• Скачать Размер: 3.11 MiB

• Dataset Размер: 27.32 MiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

FeaturesDict({
    'bpm': tf.int32,
    'drummer': ClassLabel(shape=(), dtype=tf.int64, num_classes=10),
    'id': tf.string,
    'midi': tf.string,
    'style': FeaturesDict({
        'primary': ClassLabel(shape=(), dtype=tf.int64, num_classes=18),
        'secondary': tf.string,
    }),
    'time_signature': ClassLabel(shape=(), dtype=tf.int64, num_classes=5),
    'type': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
})

• Примеры ( tfds.as_dataframe ):