nicholasbien/lakh-txt-full-v2-gpt2-tokenized

---
dataset_info:
features:
- name: text
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 1554119120
num_examples: 13560
- name: test
num_bytes: 385501195
num_examples: 3390
download_size: 662698287
dataset_size: 1939620315
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

dataset_info:
特征（features）:
- 名称（name）: text
数据类型（dtype）: string
- 名称（name）: input_ids
序列（sequence）: int32
- 名称（name）: attention_mask
序列（sequence）: int8
分割（splits）:
- 名称（name）: train
字节数（num_bytes）: 1554119120
样本数（num_examples）: 13560
- 名称（name）: test
字节数（num_bytes）: 385501195
样本数（num_examples）: 3390
下载大小（download_size）: 662698287
数据集大小（dataset_size）: 1939620315
配置（configs）:
- 配置名称（config_name）: default
数据文件（data_files）:
- 分割（split）: train
路径（path）: data/train-*
- 分割（split）: test
路径（path）: data/test-*

原始信息汇总

数据集概述

数据特征

• text: 数据类型为字符串。
• input_ids: 数据类型为整数序列，每个元素为32位整数。
• attention_mask: 数据类型为整数序列，每个元素为8位整数。

数据分割

• train: 包含13560个样本，总大小为1554119120字节。
• test: 包含3390个样本，总大小为385501195字节。

数据集大小

• 下载大小: 662698287字节。
• 数据集总大小: 1939620315字节。

配置

• default:
  • train: 文件路径为data/train-*。
  • test: 文件路径为data/test-*。