有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
SurgeGlobal/Evol-Instruct|指令进化数据集|文本生成数据集
收藏hugging_face2024-04-20 更新2024-06-15 收录
下载链接：
https://hf-mirror.com/datasets/SurgeGlobal/Evol-Instruct
下载链接
链接失效反馈资源简介：
该数据集基于h2oai/h2ogpt-gm-oasst1-en-2048-falcon-40b-v2模型生成，使用了databricks/databricks-dolly-15k数据集中的种子指令，并通过迭代进化方法生成指令。数据集包含2,304个指令调优样本，每个样本包含指令、响应、进化策略和类别等信息。数据集设计用于自动进化指令数据集，以增强指令的复杂性和多样性，从而训练语言模型执行广泛的任务。
提供机构：
SurgeGlobal
原始信息汇总
数据集概述
数据集配置
- 配置名称: default
- 数据文件:
- 分割: train
- 路径: data/train-*
数据集信息
- 特征:
- 名称: instruction
- 数据类型: string
- 名称: response
- 数据类型: string
- 名称: category
- 数据类型: string
- 名称: evolution_strategy
- 数据类型: string
- 名称: in-depth-evolving_operation
- 数据类型: string
- 名称: epoch
- 数据类型: int64
- 名称: falcon_status
- 数据类型: string
- 名称: falcon_rating
- 数据类型: string
- 名称: falcon_reason
- 数据类型: string
- 名称: gpt4_status
- 数据类型: string
- 名称: gpt4_rating
- 数据类型: string
- 名称: gpt4_reason
- 数据类型: string
- 名称: instruction
- 分割:
- 名称: train
- 字节数: 4701491
- 样本数: 2304
- 名称: train
- 下载大小: 2438727
- 数据集大小: 4701491
任务类别
- text-generation
语言
- en
数据集生成
- 基础模型: h2oai/h2ogpt-gm-oasst1-en-2048-falcon-40b-v2
- 种子指令: 从 databricks/databricks-dolly-15k 数据集中选出
- 生成方法: 使用对话语法进行深度和广度进化的迭代进化指令
- 总指令数: 2,304 个指令调优数据样本
数据集结构
- 指令
- 响应
- 进化策略 (深度或广度)
- 类别 (原始指令的类别)
用途
- 用于指令数据集的自动进化，增强指令的复杂性和多样性，以训练语言模型执行广泛任务。
引用
@misc{surge2024openbezoar, title={OpenBezoar: Small, Cost-Effective and Open Models Trained on Mixes of Instruction Data}, author={Chandeepa Dissanayake and Lahiru Lowe and Sachith Gunasekara and Yasiru Ratnayake}, year={2024}, eprint={2404.12195}, archivePrefix={arXiv}, primaryClass={cs.CL} }
数据集作者
- Chandeepa Dissanayake, Lahiru Lowe, Sachith Gunasekara, Yasiru Ratnayake
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录
Breast-Caner-Detection Dataset
该数据集包含约5000张用于训练和验证的标记乳房X光图像，以及约1800张未标记的测试图像。所有图像均为(224,224,3)格式，标签从Density1到Density4，表示乳房密度的增加，并分为良性或恶性。
github 收录
中国近海台风路径集合数据集(1945-2023)
1945-2023年度，中国近海台风路径数据集，包含每个台风的真实路径信息、台风强度、气压、中心风速、移动速度、移动方向。注：时间为北京时间。
国家海洋科学数据中心 收录