seba/tokenized_minipile_bert_base_ctx_128_v3

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: special_tokens_mask
sequence: int8
splits:
- name: train
num_bytes: 8772697872
num_examples: 13538114
- name: validation
num_bytes: 4097304
num_examples: 6323
- name: test
num_bytes: 86661576
num_examples: 133737
download_size: 3217346228
dataset_size: 8863456752
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

特征信息

• input_ids: 序列类型为 int32
• special_tokens_mask: 序列类型为 int8

数据分割

• 训练集 (train):
  • 字节数: 8772697872
  • 样本数: 13538114
• 验证集 (validation):
  • 字节数: 4097304
  • 样本数: 6323
• 测试集 (test):
  • 字节数: 86661576
  • 样本数: 133737

数据集大小

• 下载大小: 3217346228 字节
• 数据集大小: 8863456752 字节

配置信息

• 默认配置 (default):
  • 训练集文件路径: data/train-*
  • 验证集文件路径: data/validation-*
  • 测试集文件路径: data/test-*