kmfoda/bert_processed_dataset

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
- name: special_tokens_mask
sequence: int8
splits:
- name: train
num_bytes: 38206119600
num_examples: 10612811
- name: validation
num_bytes: 471679200
num_examples: 131022
download_size: 10715081742
dataset_size: 38677798800
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
---

数据集信息：
特征项：
- 名称：输入Token标识（input_ids），序列类型：int32整数
- 名称：Token类型标识（token_type_ids），序列类型：int8整数
- 名称：注意力掩码（attention_mask），序列类型：int8整数
- 名称：特殊Token掩码（special_tokens_mask），序列类型：int8整数
数据集划分：
- 名称：训练集（train），数据字节数：38206119600，样本数量：10612811
- 名称：验证集（validation），数据字节数：471679200，样本数量：131022
下载大小：10715081742
总数据集大小：38677798800
配置项：
- 配置名称：默认配置（default），数据文件：
- 划分集：训练集，文件路径：data/train-*
- 划分集：验证集，文件路径：data/validation-*

原始信息汇总

数据集概述

数据特征

• input_ids: 序列类型为 int32
• token_type_ids: 序列类型为 int8
• attention_mask: 序列类型为 int8
• special_tokens_mask: 序列类型为 int8

数据分割

• 训练集 (train)
  • 字节数: 38206119600
  • 样本数: 10612811
• 验证集 (validation)
  • 字节数: 471679200
  • 样本数: 131022

数据大小

• 下载大小: 10715081742 字节
• 数据集大小: 38677798800 字节

配置

• 默认配置 (default)
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*