Wiritpol/mC4-th-clean
收藏Hugging Face2023-05-23 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/Wiritpol/mC4-th-clean
下载链接
链接失效反馈官方服务：
资源简介：
mC4 - Thai (Clean) - Size(ss) 是一个泰语文本数据集，包含187M Tokens，占完整mC4泰语清洁数据集的6.67%。数据集包含文本、时间戳和URL三个特征，分为一个训练集，包含494,539个例子，总大小为1,881,070,925字节，下载大小为739,477,768字节。
mC4 - Thai (Clean) - Size(ss) 是一个泰语文本数据集，包含187M Tokens，占完整mC4泰语清洁数据集的6.67%。数据集包含文本、时间戳和URL三个特征，分为一个训练集，包含494,539个例子，总大小为1,881,070,925字节，下载大小为739,477,768字节。
提供机构：
Wiritpol
原始信息汇总
数据集概述
基本信息
- 许可证: Apache-2.0
- 语言: 泰语 (th)
- 数据集名称: mC4-th-size(ss)
- 大小分类: 100K<n<1M
详细描述
- 数据集大小: 187M Tokens
- 相对于整体数据集的比例: 6.67% of mC4-th-clean (总大小约2.8B Tokens)
数据集结构
- 特征:
- text: 数据类型为字符串
- timestamp: 数据类型为字符串
- url: 数据类型为字符串
数据分割
- 训练集:
- 数据量: 494539个样本
- 存储大小: 1881070925字节
下载信息
- 下载大小: 739477768字节
- 数据集总大小: 1881070925字节
