Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

alur

  • Deskripsi :

Groove MIDI Dataset (GMD) terdiri dari 13,6 jam MIDI selaras dan audio (disintesis) dari permainan drum ekspresif yang dilakukan oleh manusia dan selaras dengan tempo yang ditangkap pada kit drum elektronik Roland TD-11 V-Drum.

@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 (konfigurasi default)

  • Deskripsi konfigurasi : Kumpulan data alur tanpa audio, unsplit.

  • Ukuran unduhan : 3.11 MiB

  • Ukuran set data : 5.22 MiB

  • Cache otomatis ( dokumentasi ): Ya

  • Split :

Membagi Contoh
'test' 129
'train' 897
'validation' 124
  • Fitur :
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),
})

groove / full-16000hz

  • Deskripsi konfigurasi : Alur set data dengan audio, unsplit.

  • Ukuran unduhan : 4.76 GiB

  • Ukuran set data : 2.33 GiB

  • Cache otomatis ( dokumentasi ): Tidak

  • Split :

Membagi Contoh
'test' 124
'train' 846
'validation' 120
  • Fitur :
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),
})

alur / 2bar-midionly

  • Deskripsi konfigurasi : Kumpulan data alur tanpa audio, dibagi menjadi potongan 2-bar.

  • Ukuran unduhan : 3.11 MiB

  • Ukuran 19.59 MiB data : 19.59 MiB

  • Cache otomatis ( dokumentasi ): Ya

  • Split :

Membagi Contoh
'test' 2.204
'train' 18.163
'validation' 2.252
  • Fitur :
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),
})

alur / 2bar-16000hz

  • Deskripsi konfigurasi : Alur set data dengan audio, dibagi menjadi potongan 2-bar.

  • Ukuran unduhan : 4.76 GiB

  • Ukuran set data : 4.61 GiB

  • Cache otomatis ( dokumentasi ): Tidak

  • Split :

Membagi Contoh
'test' 1.873
'train' 14.390
'validation' 2.034
  • Fitur :
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),
})

groove / 4bar-midionly

  • Deskripsi konfigurasi : Kumpulan data alur tanpa audio, dibagi menjadi potongan 4-bar.

  • Ukuran unduhan : 3.11 MiB

  • Ukuran 27.32 MiB data : 27.32 MiB

  • Cache otomatis ( dokumentasi ): Ya

  • Split :

Membagi Contoh
'test' 2.033
'train' 17.261
'validation' 2.121
  • Fitur :
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),
})