zaydzuhri/the_pile_tokenized_5percent_truncated

--- dataset_info: features: - name: input_ids sequence: int32 - name: attention_mask sequence: int8 splits: - name: train num_bytes: 26575097543 num_examples: 6000000 download_size: 8682781157 dataset_size: 26575097543 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

• input_ids: 序列类型，数据类型为int32。
• attention_mask: 序列类型，数据类型为int8。

数据集分割

• train: 包含6,000,000个样本，总字节数为26,575,097,543。

数据集大小

• 下载大小: 8,682,781,157字节。
• 数据集大小: 26,575,097,543字节。

配置

• default:
  • 数据文件路径: data/train-*
  • 分割: train