Tristan/olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-perplexity-filters

--- dataset_info: features: - name: text dtype: string - name: url dtype: string - name: crawl_timestamp dtype: float64 - name: kenlm_ppl dtype: float64 splits: - name: train num_bytes: 33197245533.0 num_examples: 14558171 download_size: 20748879886 dataset_size: 33197245533.0 --- # Dataset Card for "olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-perplexity-filters" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

"olm-CC-MAIN-2022-40-sampling-ratio-0.15894621295-perplexity-filters"

数据集特征

• text: 数据类型为字符串。
• url: 数据类型为字符串。
• crawl_timestamp: 数据类型为float64。
• kenlm_ppl: 数据类型为float64。

数据集分割

• train:
  • 数据量: 33197245533.0 字节
  • 示例数量: 14558171

数据集大小

• 下载大小: 20748879886 字节
• 数据集总大小: 33197245533.0 字节