我正在尝试使用Hugginface数据集使用transformer进行语音识别,其中我有成对的文本/音频。我正在创建一个数据帧,没有这两个列表的问题:
d = pd.DataFrame.from_dict({"audio": ts_audios, "sentence": ts_sent})
但当试图将其包装到数据集(来自Hugginface数据集(时:
ds=Dataset.from_pandas(d)
它给出:
pyarrow.lib.ArrowMemoryError: realloc of size 4294967296 failed
问题是因为音频列表,看起来像这样:
[array([ 1.3715802e-05, 1.3041631e-05, -1.5017368e-06, ...,
-1.1172481e-01, -1.2214723e-01, 0.0000000e+00], dtype=float32), array([-0.06073862, -0.12271373, -0.11600843, ..., -0.11915235,
-0.13458692, 0. ], dtype=float32), array([-0.07074431, -0.12263235, -0.1065825 , ..., -0.10845864,
-0.12171803, 0. ], dtype=float32), array([-0.02499148, -0.04160473, -0.03867628, ..., -0.01881211,
-0.02035856, 0. ], dtype=float32), array([-0.18304674, -0.03917564, -0.030768 , ..., -0.11494933,
-0.112398 , -0.12073436], dtype=float32) .....]
如果我想使用Huggingface的transformers包,我必须使用数据集格式。知道我该怎么解决这个问题吗?
请注意,4294967296字节正好是4GB的内存。Huggingface数据集将以延迟模式加载数据,因此它可能会解决内存问题。您可以尝试使用datasets.audio
来解决您的问题。以下是官方教程中的一个示例:
from datasets import load_dataset, load_metric, Audio
common_voice = load_dataset("common_voice", "tr", split="train")
common_voice[0]["audio"]
{'array': array([ 0.0000000e+00, 0.0000000e+00, 0.0000000e+00, ...,
-8.8930130e-05, -3.8027763e-05, -2.9146671e-05], dtype=float32),
'path': '/root/.cache/huggingface/datasets/downloads/extracted/05be0c29807a73c9b099873d2f5975dae6d05e9f7d577458a2466ecb9a2b0c6b/cv-corpus-6.1-2020-12-11/tr/clips/common_voice_tr_21921195.mp3',
'sampling_rate': 48000}
或者,如果您有音频文件的路径,也可以使用cast_column
加载音频文件。
my_audio_dataset = load_dataset("path_to_your_dataset",split="train")
my_audio_dataset = my_audio_dataset.cast_column("the_column_name_for_audio_files_path", Audio())