Arjun4707/cnn-news

---
dataset_info:
features:
- name: article
dtype: string
- name: highlights
dtype: string
- name: id
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
- name: labels
sequence: int64
splits:
- name: train
num_bytes: 2663163360
num_examples: 287113
- name: validation
num_bytes: 122276019
num_examples: 13368
- name: test
num_bytes: 105346607
num_examples: 11490
download_size: 1416997977
dataset_size: 2890785986
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

特征信息

• article: 数据类型为字符串。
• highlights: 数据类型为字符串。
• id: 数据类型为字符串。
• input_ids: 数据类型为整数序列，类型为int32。
• attention_mask: 数据类型为整数序列，类型为int8。
• labels: 数据类型为整数序列，类型为int64。

数据分割

• 训练集 (train): 包含287113个样本，总字节数为2663163360。
• 验证集 (validation): 包含13368个样本，总字节数为122276019。
• 测试集 (test): 包含11490个样本，总字节数为105346607。

数据集大小

• 下载大小: 1416997977字节。
• 数据集总大小: 2890785986字节。

配置信息

• 默认配置 (default):
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*
  • 测试集路径: data/test-*