JJinho/pubmed_text_tokenized_2048

--- dataset_info: features: - name: input_ids sequence: int32 - name: token_type_ids sequence: int8 - name: attention_mask sequence: int8 - name: special_tokens_mask sequence: int8 splits: - name: train num_bytes: 38199857280 num_examples: 2661640 download_size: 10535695234 dataset_size: 38199857280 configs: - config_name: default data_files: - split: train path: data/train-* ---

原始信息汇总

数据集信息

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
• special_tokens_mask: 序列类型为 int8

数据分割

• train:
  • 字节数: 38199857280
  • 样本数: 2661640

数据集大小

• 下载大小: 10535695234
• 数据集大小: 38199857280

配置

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