nicholasbien/lmd_full_txt-tokenized-gpt2

---
dataset_info:
features:
- name: text
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 11389796001
num_examples: 139604
- name: test
num_bytes: 2855198586
num_examples: 34902
download_size: 5056312033
dataset_size: 14244994587
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

原始信息汇总

数据集信息

特征

• text: 数据类型为字符串。
• input_ids: 序列类型，数据类型为int32。
• attention_mask: 序列类型，数据类型为int8。

数据分割

• train:
  • 字节数: 11389796001
  • 样本数: 139604
• test:
  • 字节数: 2855198586
  • 样本数: 34902

数据大小

• 下载大小: 5056312033字节
• 数据集大小: 14244994587字节

配置

• default:
  • 训练数据文件路径: data/train-*
  • 测试数据文件路径: data/test-*