HoangHa/belka-selfies-ids

该数据集包含化学分子的表示，主要特征包括SELFIES（一种化学分子的字符串表示）、molecule_smiles（SMILES字符串表示）、input_ids（序列化的整数表示）、token_type_ids、special_tokens_mask、attention_mask和length。数据集分为训练集和测试集，训练集包含89,364,268个示例，测试集包含9,929,364个示例。数据集的下载大小为16,925,243,419字节，总大小为55,265,328,710字节。

This dataset contains representations of chemical molecules, with main features including SELFIES (a string representation of chemical molecules), molecule_smiles (SMILES string representation), input_ids (serialized integer representation), token_type_ids, special_tokens_mask, attention_mask, and length. The dataset is divided into training and test sets, with the training set containing 89,364,268 examples and the test set containing 9,929,364 examples. The download size of the dataset is 16,925,243,419 bytes, and the total size is 55,265,328,710 bytes.

原始信息汇总

数据集概述

数据集特征

• SELFIES: 数据类型为字符串。
• molecule_smiles: 数据类型为字符串。
• input_ids: 数据类型为整数序列，序列类型为int32。
• token_type_ids: 数据类型为整数序列，序列类型为int8。
• special_tokens_mask: 数据类型为整数序列，序列类型为int8。
• attention_mask: 数据类型为整数序列，序列类型为int8。
• length: 数据类型为int64。

数据集分割

• train:
  • 字节数: 49738795393.73214
  • 样本数: 89364268
• test:
  • 字节数: 5526533316.267859
  • 样本数: 9929364

数据集大小

• 下载大小: 16925243419字节
• 总数据集大小: 55265328710.0字节

配置

• 配置名称: default
  • 数据文件:
    • train: data/train-*
    • test: data/test-*