nicholasbien/lakh-txt-full-v2-tokenized

---
dataset_info:
features:
- name: text
dtype: string
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 1568058800
num_examples: 13560
- name: test
num_bytes: 388986115
num_examples: 3390
download_size: 674976322
dataset_size: 1957044915
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

原始信息汇总

数据集详情

特征信息

• text: 数据类型为字符串。
• input_ids: 数据类型为整数序列，每个元素为32位整数。
• token_type_ids: 数据类型为整数序列，每个元素为8位整数。
• attention_mask: 数据类型为整数序列，每个元素为8位整数。

数据分割

• train: 包含13560个样本，总字节数为1568058800。
• test: 包含3390个样本，总字节数为388986115。

数据集大小

• 下载大小: 674976322字节。
• 数据集大小: 1957044915字节。

配置信息

• default:
  • train: 文件路径为data/train-*。
  • test: 文件路径为data/test-*。