five

NousResearch/dolma-v1_7-305B-tokenized-llama3-nanoset

收藏
Hugging Face2024-05-29 更新2024-06-12 收录
下载链接:
https://hf-mirror.com/datasets/NousResearch/dolma-v1_7-305B-tokenized-llama3-nanoset
下载链接
链接失效反馈
官方服务:
资源简介:
--- license: odc-by task_categories: - text-generation language: - en tags: - language-modeling - casual-lm - llm pretty_name: Dolma size_categories: - 100B<n<1T --- Tokenized (Llama 3) verison of [NousResearch/dolma-v1_7-305B](https://huggingface.co/datasets/NousResearch/dolma-v1_7-305B) as a [Nanotron](https://github.com/huggingface/nanotron) dataset split into 10 GB chunks. To download: ```shell huggingface-cli download --repo-type dataset --local-dir dolma-v1_7-305B-tokenized-llama3-nanoset --local-dir-use-symlinks False NousResearch/dolma-v1_7-305B-tokenized-llama3-nanoset ``` To recombine: ```shell cat dolma-v1_7-305B-tokenized-llama3-nanoset/dolma-v1_7-305B-tokenized-llama3-nanoset.npy.* > dolma-v1_7-305B-tokenized-llama3-nanoset.npy rm -rf dolma-v1_7-305B-tokenized-llama3-nanoset ``` Can also be used directly with numpy, for example ```python import numpy as np dataset_buffer_mmap = np.memmap("dolma-v1_7-305B-tokenized-llama3-nanoset.npy", mode="r", order="C", dtype=np.int32) dataset_buffer = memoryview(dataset_buffer_mmap) dataset_number_of_tokens = int(len(dataset_buffer)) ```
提供机构:
NousResearch
原始信息汇总

数据集概述

基本信息

  • 许可证: odc-by
  • 任务类别: text-generation
  • 语言: en
  • 标签:
    • language-modeling
    • casual-lm
    • llm
  • 名称: Dolma
  • 大小类别: 100B<n<1T

数据集描述

  • 版本: Dolma-v1_7-305B-tokenized-llama3-nanoset
  • 格式: 分为10 GB的块,使用Nanotron格式
  • 原始数据集: NousResearch/dolma-v1_7-305B
  • 处理方式: 使用Llama 3进行Token化处理

使用方法

  • 下载命令: shell huggingface-cli download --repo-type dataset --local-dir dolma-v1_7-305B-tokenized-llama3-nanoset --local-dir-use-symlinks False NousResearch/dolma-v1_7-305B-tokenized-llama3-nanoset

  • 重组命令: shell cat dolma-v1_7-305B-tokenized-llama3-nanoset/dolma-v1_7-305B-tokenized-llama3-nanoset.npy.* > dolma-v1_7-305B-tokenized-llama3-nanoset.npy rm -rf dolma-v1_7-305B-tokenized-llama3-nanoset

  • 直接使用示例: python import numpy as np

    dataset_buffer_mmap = np.memmap("dolma-v1_7-305B-tokenized-llama3-nanoset.npy", mode="r", order="C", dtype=np.int32) dataset_buffer = memoryview(dataset_buffer_mmap) dataset_number_of_tokens = int(len(dataset_buffer))

5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作