morten-j/medhie-tokenized-dataset-custom-bertwordpiece-oldsetup

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
- name: overflow_to_sample_mapping
dtype: int64
splits:
- name: train
num_bytes: 11872129248
num_examples: 15074547
- name: validation
num_bytes: 1363453970
num_examples: 1731193
download_size: 4988001484
dataset_size: 13235583218
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
---

原始信息汇总

数据集概述

数据集特征

• input_ids: 序列类型为 int32。
• token_type_ids: 序列类型为 int8。
• attention_mask: 序列类型为 int8。
• overflow_to_sample_mapping: 数据类型为 int64。

数据集分割

• 训练集 (train):

  • 数据量: 11872129248 字节
  • 样本数: 15074547

• 验证集 (validation):

  • 数据量: 1363453970 字节
  • 样本数: 1731193

数据集大小

• 下载大小: 4988001484 字节
• 总数据集大小: 13235583218 字节

配置文件

• 默认配置 (default):
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*