memindai

• Deskripsi :

Tugas SCAN dengan berbagai pemisahan.

SCAN adalah serangkaian tugas navigasi berbasis bahasa sederhana untuk mempelajari pembelajaran komposisi dan generalisasi zero-shot.

Sebagian besar pemisahan dijelaskan di https://github.com/brendenlake/SCAN Untuk pemisahan MCD, silakan lihat https://arxiv.org/abs/1912.09713.pdf

Penggunaan dasar:

data = tfds.load('scan/length')

Contoh yang lebih maju:

import tensorflow_datasets as tfds
from tensorflow_datasets.datasets.scan import scan_dataset_builder

data = tfds.load(
    'scan',
    builder_kwargs=dict(
        config=scan_dataset_builder.ScanConfig(
            name='simple_p8', directory='simple_split/size_variations')))

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode north_east

• Beranda : https://github.com/brendenlake/SCAN

• Kode sumber : tfds.datasets.scan.Builder

• Versi :

  • 1.1.1 (default): Tidak ada catatan rilis.

• Di-cache otomatis ( dokumentasi ): Ya

• Struktur fitur :

FeaturesDict({
    'actions': Text(shape=(), dtype=string),
    'commands': Text(shape=(), dtype=string),
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat as_supervised doc ): ('commands', 'actions')

• Gambar ( tfds.show_examples ): Tidak didukung.

• Kutipan :

@inproceedings{Lake2018GeneralizationWS,
  title={Generalization without Systematicity: On the Compositional Skills of
         Sequence-to-Sequence Recurrent Networks},
  author={Brenden M. Lake and Marco Baroni},
  booktitle={ICML},
  year={2018},
  url={https://arxiv.org/pdf/1711.00350.pdf},
}
@inproceedings{Keysers2020,
  title={Measuring Compositional Generalization: A Comprehensive Method on
         Realistic Data},
  author={Daniel Keysers and Nathanael Sch\"{a}rli and Nathan Scales and
          Hylke Buisman and Daniel Furrer and Sergii Kashubin and
          Nikola Momchev and Danila Sinopalnikov and Lukasz Stafiniak and
          Tibor Tihon and Dmitry Tsarkov and Xiao Wang and Marc van Zee and
          Olivier Bousquet},
  note={Additional citation for MCD splits},
  booktitle={ICLR},
  year={2020},
  url={https://arxiv.org/abs/1912.09713.pdf},
}

pindai/sederhana (konfigurasi default)

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.47 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/tambahkanprim_jump

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.53 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/tambahkanprim_turn_left

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.58 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/filler_num0

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 3.20 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/filler_num1

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 3.51 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/filler_num2

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 3.84 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

scan/filler_num3

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.17 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pemindaian/panjang

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.47 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/template_around_right

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.17 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/template_jump_around_right

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.17 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/templat_kebalikan_kanan

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.22 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/template_right

• Ukuran unduhan : 17.82 MiB

• Ukuran dataset : 4.26 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/mcd1

• Ukuran unduhan : 17.89 MiB

• Ukuran dataset : 1.89 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/mcd2

• Ukuran unduhan : 17.89 MiB

• Ukuran dataset : 1.84 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):

pindai/mcd3

• Ukuran unduhan : 17.89 MiB

• Ukuran dataset : 1.87 MiB

• Perpecahan :

• Contoh ( tfds.as_dataframe ):