Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

rowek

  • opis:

Groove MIDI Dataset (GMD) składa się z 13,6 godzin wyrównanego MIDI i (zsyntetyzowanego) dźwięku wykonywanego przez człowieka, wyrównanego do tempa ekspresyjnej perkusji, zarejestrowanego na elektronicznym zestawie perkusyjnym 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-midioly (konfiguracja domyślna)

  • Opis config: Groove zestaw danych bez dźwięku, niedwojone.

  • Wielkość pliku: 3.11 MiB

  • Zbiór danych Rozmiar: 5.22 MiB

  • Auto-buforowane ( dokumentacja ): Tak

  • dzieli:

Podział Przykłady
'test' 129
'train' 897
'validation' 124
  • Cechy:
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),
})

rowek/pełne-16000hz

  • Opis config: Groove zestaw danych z dźwiękiem, bez podziału na strefy.

  • Wielkość pliku: 4.76 GiB

  • Zbiór danych rozmiar: 2.33 GiB

  • Auto-buforowane ( dokumentacja ): Nie

  • dzieli:

Podział Przykłady
'test' 124
'train' 846
'validation' 120
  • Cechy:
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/2bar-midioly

  • Opis config: Groove zestaw danych bez dźwięku, podzielonego na kawałki 2-bar.

  • Wielkość pliku: 3.11 MiB

  • Zbiór danych rozmiar: 19.59 MiB

  • Auto-buforowane ( dokumentacja ): Tak

  • dzieli:

Podział Przykłady
'test' 2204
'train' 18 163
'validation' 2252
  • Cechy:
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),
})

rowek/2bar-16000hz

  • Opis config: Groove zestaw danych z dźwiękiem, podzielonego na kawałki 2-bar.

  • Wielkość pliku: 4.76 GiB

  • Zbiór danych rozmiar: 4.61 GiB

  • Auto-buforowane ( dokumentacja ): Nie

  • dzieli:

Podział Przykłady
'test' 1,873
'train' 14.390
'validation' 2034
  • Cechy:
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-midioly

  • Opis config: Groove zestaw danych bez dźwięku, podzielonego na kawałki 4-bar.

  • Wielkość pliku: 3.11 MiB

  • Zbiór danych rozmiar: 27.32 MiB

  • Auto-buforowane ( dokumentacja ): Tak

  • dzieli:

Podział Przykłady
'test' 2033
'train' 17 261
'validation' 2121
  • Cechy:
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),
})