PY007/slimpajama_llama_tokenized_upsample_4096_chunk_1M

---
dataset_info:
features:
- name: input_ids
sequence: int64
- name: labels
dtype: int64
- name: source
list:
- name: end
dtype: int64
- name: source
dtype: string
- name: start
dtype: int64
splits:
- name: train
num_bytes: 40394155659
num_examples: 5041
download_size: 9203916526
dataset_size: 40394155659
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

Generated using https://github.com/FranxYao/Long-Context-Data-Engineering with the below command:

```bash
mkdir logs
mkdir data
mkdir data/slimpajama
mkdir data/slimpajama/per_source_downsample
cd data_engineering

PATH_TO_SLIMPAJAMA=rokset3/slim_pajama_chunk_1
nohup python -u slimpajama_packing.py\
--dataset_size=5b\
--print_interval=100 --num_process=200\
--chunk_size=1000001 \
--dataset_path=$PATH_TO_SLIMPAJAMA\
--output_path=../data/slimpajama/per_source_downsample/ --down_sample_ratio=0.1 --down_sample_mode=per_source\
> ../logs/slimpajama_packing_dist_per_source_downsample_0.1.log 2>&1 &
tail -f ../logs/slimpajama_packing_dist_per_source_downsample_0.1.log
```

原始信息汇总

数据集概述

数据集特征

• input_ids: 序列类型为 int64。
• labels: 数据类型为 int64。
• source: 列表类型，包含以下元素：
  • end: 数据类型为 int64。
  • source: 数据类型为 string。
  • start: 数据类型为 int64。

数据集分割

• train:
  • 数据量: 40394155659 字节
  • 示例数量: 5041

数据集大小

• 下载大小: 9203916526 字节
• 数据集大小: 40394155659 字节

配置

• config_name: default
• data_files:
  • split: train
  • path: data/train-*