alur

• Deskripsi :

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

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode north_east

• Beranda : https://g.co/magenta/groove-dataset

• Kode sumber : tfds.datasets.groove.Builder

• Versi :

  • 2.0.1 (default): Tidak ada catatan rilis.

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Kutipan :

@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 : Groove dataset tanpa audio, unsplit.

• Ukuran unduhan : 3.11 MiB

• Ukuran dataset : 5.22 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

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

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

alur/penuh-16000hz

• Deskripsi konfigurasi : Groove dataset dengan audio, unsplit.

• Ukuran unduhan : 4.76 GiB

• Ukuran dataset : 2.33 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

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

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

groove/2bar-midionly

• Deskripsi konfigurasi : Groove dataset tanpa audio, dibagi menjadi potongan 2-bar.

• Ukuran unduhan : 3.11 MiB

• Ukuran dataset : 19.59 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

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

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

alur/2bar-16000hz

• Deskripsi konfigurasi : Groove dataset dengan audio, dibagi menjadi potongan 2-bar.

• Ukuran unduhan : 4.76 GiB

• Ukuran dataset : 4.61 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

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

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

groove/4bar-midionly

• Deskripsi konfigurasi : Groove dataset tanpa audio, dibagi menjadi potongan 4-bar.

• Ukuran unduhan : 3.11 MiB

• Ukuran dataset : 27.32 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

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

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):