SimonSun/train_0.5M_CN_llama2

该数据集是一个中文文本生成数据集，包含519,255个训练样本。数据集的特征包括instruction（指令）、input（输入）、output（输出）、input_ids（输入ID序列）、attention_mask（注意力掩码序列）和labels（标签序列）。数据集的总大小为1,853,131,088字节，下载大小为489,561,814字节。

原始信息汇总

数据集概述

基本信息

• 语言：中文
• 许可证：开放轨道（openrail）
• 大小类别：100K<n<1M
• 任务类别：文本生成

数据集特征

• instruction：字符串类型
• input：字符串类型
• output：字符串类型
• input_ids：整数序列，类型为int32
• attention_mask：整数序列，类型为int8
• labels：整数序列，类型为int64

数据集划分

• 训练集（train）
  • 数据量：519255个样本
  • 存储大小：1853131088字节

下载信息

• 下载大小：489561814字节
• 数据集总大小：1853131088字节

配置信息

• 配置名称：默认
• 数据文件：
  • 分割：训练
  • 路径：data/train-*