MathDG/DocLayNet-base-law_paragraphs_encoded_ml512

---
license: other
license_name: other
license_link: LICENSE
dataset_info:
features:
- name: page_hash
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
- name: normalized_bboxes
sequence:
sequence: int64
- name: labels
sequence: int64
splits:
- name: train
num_bytes: 43899968
num_examples: 1744
- name: validation
num_bytes: 5411980
num_examples: 215
- name: test
num_bytes: 3373048
num_examples: 134
download_size: 1371852
dataset_size: 52684996
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

数据集特征

• page_hash: 数据类型为字符串。
• input_ids: 数据类型为整数序列，每个元素为32位整数。
• attention_mask: 数据类型为整数序列，每个元素为8位整数。
• normalized_bboxes: 数据类型为嵌套整数序列，每个元素为64位整数。
• labels: 数据类型为整数序列，每个元素为64位整数。

数据集分割

• train: 包含1744个样本，总字节数为43899968。
• validation: 包含215个样本，总字节数为5411980。
• test: 包含134个样本，总字节数为3373048。

数据集大小

• 下载大小: 1371852字节。
• 数据集总大小: 52684996字节。

配置信息

• config_name: default
  • 数据文件路径:
    • train: data/train-*
    • validation: data/validation-*
    • test: data/test-*