该数据集名为wikipedia_token，包含训练集，共有6,458,670个样本，总大小为19,998,333,901字节。数据集的特征包括id、title、text、token_length和text_length。此外，README文件还提供了关于token和text长度的详细统计信息，包括不同长度区间的数量及其所占百分比。

Hugging Face2023-11-12 更新200

en_refine.jsonl, zh_refine.jsonl, 30m_0615_refine.jsonl

自然语言处理

数据集

这些数据集包括仅含英文的10m token数据集、仅含中文的10m token数据集以及含中英双语的30m token数据集，英文占比为0.615。这些数据集用于竞赛中的数据采样、筛选和模型训练。

github2023-12-05 更新130

Datasets For My Blogs

机器学习

数据集

用于我的机器学习博客的数据集

github2023-03-04 更新210

Resource Management RM1 2.0

语音识别

数据集

LDC93S3A - Resource Management Complete Set 2.0 LDC93S3B - Resource Management (RM1) 2.0 LDC93S3C - Resource Management (RM2) 2.0 The DARPA Resource Management corpora (RM) consist of digitized and tr

Mendeley Data2024-01-31 更新180

Complete Kaggle Datasets (10k)

资源简介：

相关数据集