паз

• Описание :

Groove MIDI Dataset (GMD) состоит из 13,6 часов выровненного MIDI и (синтезированного) звука исполняемой человеком, выровненной по темпу выразительной игры 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): без примечаний к выпуску.

• Контролируемые ключи (см. as_supervised ): None

• Цитата :

@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},
}

• Рисунок ( tfds.show_examples ): не поддерживается.

groove / full-midionly (конфигурация по умолчанию)

• Описание конфигурации : Набор данных Groove без звука, не разделенный.

• Размер загрузки : 3.11 MiB

• Размер набора данных : 5.22 MiB

• Автоматическое кэширование ( документация ): Да

• Сплит :

• 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 конфигурации : Набор данных Groove со звуком, без разделения.

• Размер загружаемого 4.76 GiB : 4.76 GiB

• Размер набора данных : 2.33 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплит :

• 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 ):

Groove / 2bar-midionly

• Описание конфигурации : набор данных Groove без звука, разбитый на блоки по 2 полосы.

• Размер загрузки : 3.11 MiB

• Размер набора данных : 19.59 MiB

• Автоматическое кэширование ( документация ): Да

• Сплит :

• 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 конфигурации : набор данных Groove со звуком, разбитый на блоки по 2 полосы.

• Размер загружаемого 4.76 GiB : 4.76 GiB

• Размер набора данных : 4.61 GiB

• Автоматическое кэширование ( документация ): Нет

• Сплит :

• 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 ):

Groove / 4bar-midionly

• Описание конфигурации : набор данных Groove без звука, разбитый на блоки по 4 полосы.

• Размер загрузки : 3.11 MiB

• Размер набора данных : 27.32 MiB

• Автоматическое кэширование ( документация ): Да

• Сплит :

• 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 ):