File size: 16,964 Bytes
a0d84ab |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"id": "de57d37b-73e7-40aa-a922-7c4a9fbc8085",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Обработка тренировочного датасета...\n",
"Загружаем список файлов из ngn/train_big.tsv\n",
"Проверяем размеры 1120 файлов (ищем файлы < 1.0MB)...\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/02012020/995_02012020.wav (2.06MB > 1.0MB)\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/26122019/110.wav, размер: 0.79MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/27122019/321untitled.wav, размер: 0.43MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/06122020/1448untitled.wav, размер: 0.55MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/10012020/1866_10012020.wav, размер: 0.22MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/12012020/1986untitled.wav, размер: 0.32MB\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/30122019/658untitled.wav (1.26MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/03012020/1064untitled.wav (1.52MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/03012020/1098untitled.wav (1.09MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/26122019/116.wav (1.17MB > 1.0MB)\n",
"Проверено 100/1120 файлов...\n",
"Проверено 200/1120 файлов...\n",
"Проверено 400/1120 файлов...\n",
"Проверено 500/1120 файлов...\n",
"Проверено 600/1120 файлов...\n",
"Проверено 700/1120 файлов...\n",
"Проверено 800/1120 файлов...\n",
"Проверено 900/1120 файлов...\n",
"Проверено 1000/1120 файлов...\n",
"Проверено 1100/1120 файлов...\n",
"\n",
"Результаты проверки размеров:\n",
"Всего файлов: 1120\n",
"Файлов не найдено: 21\n",
"\n",
"Распределение по размерам:\n",
"0-0.5MB: 297 файлов\n",
"0.5-1MB: 364 файлов\n",
"1-1.5MB: 218 файлов\n",
"1.5-2MB: 65 файлов\n",
">2MB: 63 файлов\n",
"\n",
"Создан отфильтрованный датасет с 660 записями\n",
"\n",
"Обработка тестового датасета...\n",
"Загружаем список файлов из ngn/test_big.tsv\n",
"Проверяем размеры 281 файлов (ищем файлы < 1.0MB)...\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/10012020/1832_10012020.wav, размер: 0.23MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/08012020/1632untitled.wav, размер: 0.68MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/26122019/111.wav, размер: 0.79MB\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/13012020/2021untitled.wav (1.07MB > 1.0MB)\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/04012020/1249untitled.wav, размер: 0.53MB\n",
"Подходящий файл найден: ngn/clips/Audio_Ngen_2019_2020_2021/30122019/800untitled.wav, размер: 0.49MB\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/31122019/803untitled.wav (1.39MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/25122019/033_25122019.wav (2.82MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/02012020/997_02012020.wav (1.15MB > 1.0MB)\n",
"Файл слишком большой: ngn/clips/Audio_Ngen_2019_2020_2021/06122020/1455untitled.wav (1.40MB > 1.0MB)\n",
"Проверено 100/281 файлов...\n",
"Проверено 200/281 файлов...\n",
"\n",
"Результаты проверки размеров:\n",
"Всего файлов: 281\n",
"Файлов не найдено: 6\n",
"\n",
"Распределение по размерам:\n",
"0-0.5MB: 65 файлов\n",
"0.5-1MB: 102 файлов\n",
"1-1.5MB: 57 файлов\n",
"1.5-2MB: 12 файлов\n",
">2MB: 13 файлов\n",
"\n",
"Создан отфильтрованный датасет с 167 записями\n"
]
}
],
"source": [
"import os\n",
"from google.cloud import storage\n",
"import pandas as pd\n",
"from typing import Tuple, List, Dict\n",
"import io\n",
"\n",
"def check_blob_exists_and_size(bucket, possible_paths: List[str]) -> Tuple[bool, str, float]:\n",
" \"\"\"\n",
" Проверяет существование файла по всем возможным путям и его размер\n",
" Returns:\n",
" Tuple[bool, str, float]: (найден ли файл, путь к файлу, размер в MB)\n",
" \"\"\"\n",
" for path in possible_paths:\n",
" blob = bucket.blob(path)\n",
" try:\n",
" if blob.exists():\n",
" blob.reload() # Загружаем метаданные\n",
" size_mb = blob.size / (1024 * 1024)\n",
" return True, path, size_mb\n",
" except Exception as e:\n",
" print(f\"Ошибка при проверке файла {path}: {str(e)}\")\n",
" continue\n",
" return False, \"\", 0.0\n",
"\n",
"def generate_possible_paths(original_path: str, clips_prefix: str) -> List[str]:\n",
" \"\"\"\n",
" Генерирует все возможные варианты пути к файлу с учетом префикса\n",
" \"\"\"\n",
" parts = original_path.split('/')\n",
" if len(parts) < 2:\n",
" return []\n",
" current_folder = parts[-2] # получаем название текущей папки\n",
" filename = parts[-1] # получаем имя файла с расширением\n",
" base_dir = '/'.join(parts[:-1]) # получаем путь к директории\n",
"\n",
" # Разделяем имя файла на имя и расширение\n",
" name, extension = os.path.splitext(filename)\n",
" \n",
" # Разделяем имя по знаку подчеркивания и берем левую часть\n",
" base_name = name.split('_')[0]\n",
" \n",
" # Формируем все возможные варианты имен файлов\n",
" possible_names = [\n",
" f\"{base_name}{extension}\", # просто имя с расширением\n",
" f\"{base_name}_{current_folder}{extension}\", # имя + текущая папка\n",
" f\"{base_name}untitled{extension}\" # имя + untitled\n",
" ]\n",
" \n",
" # Формируем полные пути с префиксом\n",
" possible_paths = [f\"{clips_prefix}/{base_dir}/{name}\" for name in possible_names]\n",
" \n",
" return list(set(possible_paths)) # удаляем возможные дубликаты\n",
"\n",
"def check_all_files_sizes(bucket_name: str, tsv_path: str, clips_prefix: str, max_size_mb: float = 1.0) -> Dict[str, Tuple[str, float]]:\n",
" \"\"\"\n",
" Проверяет размеры всех файлов и возвращает словарь с информацией о файлах меньше max_size_mb\n",
" \"\"\"\n",
" storage_client = storage.Client()\n",
" bucket = storage_client.bucket(bucket_name)\n",
" \n",
" print(f\"Загружаем список файлов из {tsv_path}\")\n",
" blob = bucket.blob(tsv_path)\n",
" content = blob.download_as_string()\n",
" df = pd.read_csv(io.BytesIO(content), sep='\\t')\n",
" \n",
" valid_files = {}\n",
" missing_files = []\n",
" oversized_files = []\n",
" \n",
" total_files = len(df)\n",
" print(f\"Проверяем размеры {total_files} файлов (ищем файлы < {max_size_mb}MB)...\")\n",
" \n",
" # Статистика по размерам\n",
" size_stats = {\n",
" '0-0.5MB': 0,\n",
" '0.5-1MB': 0,\n",
" '1-1.5MB': 0,\n",
" '1.5-2MB': 0,\n",
" '>2MB': 0\n",
" }\n",
" \n",
" # Проверяем каждый файл\n",
" for idx, row in df.iterrows():\n",
" if 'path' not in row or pd.isna(row['path']):\n",
" continue\n",
" \n",
" original_path = row['path'].strip()\n",
" possible_paths = generate_possible_paths(original_path, clips_prefix)\n",
" exists, real_path, size_mb = check_blob_exists_and_size(bucket, possible_paths)\n",
" \n",
" if exists:\n",
" # Обновляем статистику по размерам\n",
" if size_mb > 2:\n",
" size_stats['>2MB'] += 1\n",
" elif size_mb > 1.5:\n",
" size_stats['1.5-2MB'] += 1\n",
" elif size_mb > 1:\n",
" size_stats['1-1.5MB'] += 1\n",
" elif size_mb > 0.5:\n",
" size_stats['0.5-1MB'] += 1\n",
" else:\n",
" size_stats['0-0.5MB'] += 1\n",
" \n",
" if size_mb < max_size_mb:\n",
" valid_files[original_path] = (real_path, size_mb)\n",
" if len(valid_files) <= 5:\n",
" print(f\"Подходящий файл найден: {real_path}, размер: {size_mb:.2f}MB\")\n",
" else:\n",
" oversized_files.append((original_path, size_mb))\n",
" if len(oversized_files) <= 5:\n",
" print(f\"Файл слишком большой: {real_path} ({size_mb:.2f}MB > {max_size_mb}MB)\")\n",
" else:\n",
" missing_files.append(original_path)\n",
" \n",
" if (idx + 1) % 100 == 0:\n",
" print(f\"Проверено {idx + 1}/{total_files} файлов...\")\n",
" \n",
" # Выводим статистику\n",
" print(\"\\nРезультаты проверки размеров:\")\n",
" print(f\"Всего файлов: {total_files}\")\n",
" print(f\"Файлов не найдено: {len(missing_files)}\")\n",
" print(f\"\\nРаспределение по размерам:\")\n",
" for size_range, count in size_stats.items():\n",
" print(f\"{size_range}: {count} файлов\")\n",
" \n",
" return valid_files, missing_files, oversized_files\n",
"\n",
"def create_filtered_dataset(bucket_name: str, tsv_path: str, clips_prefix: str, max_size_mb: float = 1.0) -> pd.DataFrame:\n",
" \"\"\"\n",
" Создает датафрейм только с файлами подходящего размера\n",
" \"\"\"\n",
" # Проверяем размеры всех файлов\n",
" valid_files, missing_files, oversized_files = check_all_files_sizes(\n",
" bucket_name, tsv_path, clips_prefix, max_size_mb\n",
" )\n",
" \n",
" # Загружаем исходный датафрейм\n",
" storage_client = storage.Client()\n",
" bucket = storage_client.bucket(bucket_name)\n",
" blob = bucket.blob(tsv_path)\n",
" content = blob.download_as_string()\n",
" df = pd.read_csv(io.BytesIO(content), sep='\\t')\n",
" \n",
" # Очищаем датафрейм\n",
" df = df.dropna(subset=['path', 'sentence_normalized'])\n",
" df = df[\n",
" (df['path'].str.strip() != '') & \n",
" (df['sentence_normalized'].str.strip() != '')\n",
" ]\n",
" \n",
" # Фильтруем датафрейм\n",
" filtered_df = df[df['path'].isin(valid_files.keys())].copy()\n",
" \n",
" # Обновляем пути и создаем аудио колонку\n",
" filtered_df['path'] = filtered_df['path'].apply(lambda x: valid_files[x][0])\n",
" filtered_df['audio'] = filtered_df['path'].apply(lambda x: f\"gs://{bucket_name}/{x}\")\n",
" \n",
" # Создаем тройную транскрипцию\n",
" filtered_df['sentence_normalized'] = filtered_df['sentence_normalized'].apply(\n",
" lambda x: ' '.join([x.strip()] * 3)\n",
" )\n",
" \n",
" print(f\"\\nСоздан отфильтрованный датасет с {len(filtered_df)} записями\")\n",
" return filtered_df\n",
"\n",
"def process_datasets(bucket_name: str, train_tsv: str, test_tsv: str, clips_prefix: str, max_size_mb: float = 1.0):\n",
" \"\"\"\n",
" Обрабатывает тренировочный и тестовый датасеты\n",
" \"\"\"\n",
" print(\"Обработка тренировочного датасета...\")\n",
" filtered_train_df = create_filtered_dataset(\n",
" bucket_name=bucket_name,\n",
" tsv_path=train_tsv,\n",
" clips_prefix=clips_prefix,\n",
" max_size_mb=max_size_mb\n",
" )\n",
" \n",
" print(\"\\nОбработка тестового датасета...\")\n",
" filtered_test_df = create_filtered_dataset(\n",
" bucket_name=bucket_name,\n",
" tsv_path=test_tsv,\n",
" clips_prefix=clips_prefix,\n",
" max_size_mb=max_size_mb\n",
" )\n",
" \n",
" # Сохраняем результаты\n",
" filtered_train_df.to_csv('1filtered_train_dataset.tsv', sep='\\t', index=False)\n",
" filtered_test_df.to_csv('filtered_test_dataset.tsv', sep='\\t', index=False)\n",
" \n",
" return filtered_train_df, filtered_test_df\n",
"\n",
"if __name__ == \"__main__\":\n",
" # Обрабатываем оба датасета\n",
" filtered_train_df, filtered_test_df = process_datasets(\n",
" bucket_name='ngen_model_fine_tuned',\n",
" train_tsv='ngn/train_big.tsv',\n",
" test_tsv='ngn/test_big.tsv',\n",
" clips_prefix='ngn/clips',\n",
" max_size_mb=1.0 # ограничение в 1MB\n",
" )\n",
" \n",
"# # Создаем датасеты для huggingface\n",
"# from datasets import Dataset\n",
"# from datasets.features import Audio\n",
" \n",
"# train_dataset = Dataset.from_pandas(filtered_train_df)\n",
"# test_dataset = Dataset.from_pandas(filtered_test_df)\n",
"# print(\"Созданы датасеты\")\n",
" \n",
"# train_dataset = train_dataset.cast_column(\"audio\", Audio(sampling_rate=16000))\n",
"# test_dataset = test_dataset.cast_column(\"audio\", Audio(sampling_rate=16000))\n",
"# print(\"Колонки аудио преобразованы\")"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "89853d1c-a7db-498b-bd45-bc6e72b86b4e",
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"environment": {
"kernel": "conda-base-py",
"name": "workbench-notebooks.m126",
"type": "gcloud",
"uri": "us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-notebooks:m126"
},
"kernelspec": {
"display_name": "Python 3 (ipykernel) (Local)",
"language": "python",
"name": "conda-base-py"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.15"
}
},
"nbformat": 4,
"nbformat_minor": 5
}
|