gokulsrinivasagan/wiki_book_corpus_processed_gpt2_dataset_small

该数据集包含三个主要特征：input_ids（int32序列）、attention_mask（int8序列）和labels（int64序列）。数据集分为训练集和验证集，训练集包含1,321,650个样本，验证集包含68,634个样本。数据集的下载大小为5,516,198,279字节，总大小为18,524,144,016字节。数据文件路径分别为data/train-*和data/validation-*。

The dataset includes three main features: input_ids (sequence of int32), attention_mask (sequence of int8), and labels (sequence of int64). The dataset is divided into a training set with 1,321,650 examples and a validation set with 68,634 examples. The download size of the dataset is 5,516,198,279 bytes, and the total size is 18,524,144,016 bytes. The data files are located at data/train-* and data/validation-*.

原始信息汇总

数据集概述

数据集信息

• 特征:
  • input_ids: 序列类型为 int32
  • attention_mask: 序列类型为 int8
  • labels: 序列类型为 int64

数据集分割

• 训练集:
  • 文件大小: 17609664600 字节
  • 样本数量: 1321650
• 验证集:
  • 文件大小: 914479416 字节
  • 样本数量: 68634

数据集大小

• 下载大小: 5516198279 字节
• 总大小: 18524144016 字节

配置

• 默认配置:
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*