1207139945 发表于 2024-6-19 16:38:12

双文档同步测试集划分

我所用的模型是对比学习模型
输入数据集的路径有两个txt文件一个作为训练一个做评估,两个文件的生成代码如下
代码1
import os

def file_paths_generator(folder_path):
    id_counter = 0
    for root, dirs, files in os.walk(folder_path):
      for filename in sorted(files):
            file_path = os.path.join(root, filename)
            full_path = os.path.relpath(file_path, folder_path)
            yield id_counter, full_path
      id_counter += 1

def generate_txt_file(folder_path, output_file):
    with open(output_file, 'w') as f:
      for id, path in file_paths_generator(folder_path):
            f.write(f"id{id:04d} {path}\n")
            print(f"id{id:04d} {path}")

folder_path = '/home/data/pxy/ceshi2.3.1'
output_file = 'data_list.txt'
generate_txt_file(folder_path, output_file)

代码2
import os
import random

def get_file_paths(folder_path):
    file_paths = []
    for root, dirs, files in os.walk(folder_path):
      for filename in sorted(files):# 按照文件名排序
            file_path = os.path.join(root, filename)
            grandparent_directory = os.path.basename(root)
            full_path = os.path.join(grandparent_directory, filename)
            file_paths.append(full_path)

    return file_paths

def generate_txt_file(folder_path, output_file):
    file_paths = get_file_paths(folder_path)
    with open(output_file, 'w') as f:
      for i in range(len(file_paths)):
            for _ in range(4):# 每个文件生成4组正负对
                # 正对
                random_index = random.randint(0, len(file_paths) - 1)
                while random_index == i or os.path.dirname(file_paths) != os.path.dirname(file_paths):# 确保选择的正对路径与当前文件路径不同且在同一子文件夹内
                  random_index = random.randint(0, len(file_paths) - 1)
                f.write('1 ' + file_paths + ' ' + file_paths + '\n')

                # 负对
                random_index = random.randint(0, len(file_paths) - 1)
                while random_index == i or os.path.dirname(file_paths) == os.path.dirname(file_paths):# 确保选择的负对路径与当前文件路径不同且不在同一子文件夹内
                  random_index = random.randint(0, len(file_paths) - 1)
                f.write('0 ' + file_paths + ' ' + file_paths + '\n')
                print(file_paths)

folder_path = '/home/data/pxy/ceshi2.3.3'
output_file = 'val_list.txt'
generate_txt_file(folder_path, output_file)

现在我想要实现以下功能需要求助
1.两个代码合并为一个,我试过该函数名直接合并,想看看有没有更好的办法
2.对数据集划分开80%作为训练集,20%作为测试集。(要求两份用作训练生成的txt文件里面训练集的选取的文件相同,测试集也是)
页: [1]
查看完整版本: 双文档同步测试集划分