theojiang/imdb-input_ids-label-pairs

该数据集主要用于文本分类任务，包含三个特征：label用于区分正面和负面评价，input_mask和input_ids用于处理文本序列。数据集分为训练集、测试集和无监督学习集，每部分包含25000、25000和50000个样本，总下载大小为58482269字节，实际大小为616000000字节。

原始信息汇总

数据集概述

数据集特征

• label: 分类标签
  • 类别名称:
    • 0: neg
    • 1: pos
• input_mask: 序列数据，数据类型为int64
• input_ids: 序列数据，数据类型为int32

数据集分割

• train:
  • 字节数: 154,000,000
  • 样本数: 25,000
• test:
  • 字节数: 154,000,000
  • 样本数: 25,000
• unsupervised:
  • 字节数: 308,000,000
  • 样本数: 50,000

数据集大小

• 下载大小: 58,482,269 字节
• 数据集总大小: 616,000,000 字节

配置信息

• config_name: default
  • 数据文件路径:
    • train: data/train-*
    • test: data/test-*
    • unsupervised: data/unsupervised-*