SummerSigh/txt_tokenized

---
dataset_info:
features:
- name: text
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 1877736687
num_examples: 11615290
download_size: 1072595851
dataset_size: 1877736687
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• text: 文本数据，数据类型为字符串。
• input_ids: 序列数据，数据类型为32位整数。
• attention_mask: 序列数据，数据类型为8位整数。

数据集分割

• train: 训练集，包含11,615,290个样本，占用1,877,736,687字节。

数据集大小

• 下载大小: 1,072,595,851字节
• 数据集总大小: 1,877,736,687字节

配置

• default: 默认配置，包含训练集数据文件路径为data/train-*。