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-*。