امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

شیار

  • توضیحات :

مجموعه داده های Groove MIDI (GMD) از 13.6 ساعت ترازو MIDI و صوتی (سنتز شده) طبل گویایی که توسط انسان اجرا می شود ، با سرعت متناسب است و در کیت درام الکترونیکی Roland TD-11 V-Drum ساخته شده است.

@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},
}

شیار / کامل midionly (پیکربندی پیش فرض)

  • شرح پیکربندی : مجموعه داده شیار بدون صدا ، تقسیم نشده است.

  • اندازه بارگیری : 3.11 MiB

  • اندازه مجموعه داده : 5.22 MiB

  • ذخیره خودکار ( مستندات ): بله

  • تقسیم :

شکاف مثال ها
'test' 129
'train' 897
'validation' 124
  • ویژگی ها :
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),
})

شیار / کامل-16000 هرتز

  • شرح پیکربندی : مجموعه داده شیار همراه با صدا ، تقسیم نشده است.

  • اندازه بارگیری : 4.76 GiB

  • اندازه مجموعه داده : 2.33 GiB

  • ذخیره خودکار ( مستندات ): خیر

  • تقسیم :

شکاف مثال ها
'test' 124
'train' 846
'validation' 120
  • ویژگی ها :
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),
})

شیار / 2bar-midionly

  • شرح پیکربندی : مجموعه داده Groove بدون صدا ، به قطعات 2 باری تقسیم شده است.

  • اندازه بارگیری : 3.11 MiB

  • اندازه مجموعه داده : 19.59 MiB

  • ذخیره خودکار ( مستندات ): بله

  • تقسیم :

شکاف مثال ها
'test' 2،204
'train' 18،163
'validation' 2،252
  • ویژگی ها :
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),
})

شیار / 2bar-16000hz

  • شرح پیکربندی : مجموعه داده شیار با صدا ، به قطعات 2 میله ای تقسیم شده است.

  • اندازه بارگیری : 4.76 GiB

  • اندازه مجموعه داده : 4.61 GiB

  • ذخیره خودکار ( مستندات ): خیر

  • تقسیم :

شکاف مثال ها
'test' 1،873
'train' 14390
'validation' 2،034
  • ویژگی ها :
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),
})

شیار / 4bar-midionly

  • شرح پیکربندی : مجموعه داده Groove بدون صدا ، به قطعات 4 بار تقسیم می شود.

  • اندازه بارگیری : 3.11 MiB

  • اندازه مجموعه داده : 27.32 MiB

  • ذخیره خودکار ( مستندات ): بله

  • تقسیم :

شکاف مثال ها
'test' 2033
'train' 17،261
'validation' 2،121
  • ویژگی ها :
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),
})