PY007/slimpajama_llama_tokenized_upsample_4096_chunk_256K

---
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: 8082512661
num_examples: 3940
download_size: 1843475192
dataset_size: 8082512661
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=1b\
--print_interval=100 --num_process=200\
--chunk_size=256001 \
--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：
  • 数据量大小：8082512661 字节。
  • 示例数量：3940。

数据集大小

• 下载大小：1843475192 字节。
• 数据集总大小：8082512661 字节。

配置

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