AISE-TUDelft/Capybara

该数据集用于训练BinT5模型，具体信息可参考相关论文。数据集包含多个分割，如dedup_C、dup_C等，每个分割都有相应的字节数和示例数。数据集的特征包括id、docstring_tokens、code_tokens、fun_name、repo、starting、partition和__index_level_0__。数据集的总下载大小为592873091字节，总数据集大小为3075877744字节。

原始信息汇总

数据集概述

数据集配置

• 默认配置
  • 数据文件路径
    • dedup_C: data/dedup_C-*
    • dup_C: data/dup_C-*
    • dedup_DecomC: data/dedup_DecomC-*
    • dup_DecomC: data/dup_DecomC-*
    • dedup_demiStripped: data/dedup_demiStripped-*
    • dup_demiStripped: data/dup_demiStripped-*
    • no_fun_demiStripped: data/no_fun_demiStripped-*
    • dup_stripped: data/dup_stripped-*
    • dedup_stripped: data/dedup_stripped-*

数据集信息

• 特征

  • id: 类型 int64
  • docstring_tokens: 序列类型 string
  • code_tokens: 序列类型 string
  • fun_name: 类型 string
  • repo: 类型 string
  • starting: 类型 string
  • partition: 类型 string
  • __index_level_0__: 类型 int64

• 分割

  • dedup_C
    • 字节数: 167770495
    • 样本数: 79673
  • dup_C
    • 字节数: 348707539
    • 样本数: 214587
  • dedup_DecomC
    • 字节数: 330052224
    • 样本数: 79673
  • dup_DecomC
    • 字节数: 614158883
    • 样本数: 214587
  • dedup_demiStripped
    • 字节数: 316991021
    • 样本数: 79673
  • dup_demiStripped
    • 字节数: 590234671
    • 样本数: 214587
  • no_fun_demiStripped
    • 字节数: 606914210
    • 样本数: 214587
  • dup_stripped
    • 字节数: 60563000
    • 样本数: 14245
  • dedup_stripped
    • 字节数: 40485701
    • 样本数: 7826

• 下载大小: 592873091 字节

• 数据集大小: 3075877744 字节

许可证

• 许可证: Apache-2.0

任务类别

• 任务类别: 摘要生成

标签

• 标签:
  • code
  • Reverse Engineering
  • Binary
  • Code Summarization

大小类别

• 大小类别: 100K < n < 1M