morten-j/medhie-tokenized-dataset-roots_ar_f50-mBERT

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
- name: overflow_to_sample_mapping
dtype: int64
splits:
- name: train
num_bytes: 6280833850
num_examples: 7881542
download_size: 1475190014
dataset_size: 6280833850
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• 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。
• overflow_to_sample_mapping：数据类型为int64。

数据集分割

• 训练集（train）：
  • 数据量：7881542个样本。
  • 存储大小：6280833850字节。

数据集大小与下载大小

• 下载大小：1475190014字节。
• 数据集大小：6280833850字节。

配置信息

• 配置名称：default
• 数据文件路径：
  • 训练集路径：data/train-*