kanghokh/att_data

该数据集包含多个分割，每个分割由错误句子和纠正后的句子组成。数据集的特征包括id（唯一标识）、err_sentence（错误句子）和cor_sentence（纠正后的句子）。数据集分为train、val、train_50k、train_80k和train_100k五个分割，每个分割的字节大小和样本数量均有详细说明。数据集的下载大小为46108568字节，总大小为96798132.36724219字节。

This dataset contains multiple splits, each consisting of erroneous sentences and their corrected versions. The features of the dataset include id (unique identifier), err_sentence (erroneous sentence), and cor_sentence (corrected sentence). The dataset is divided into five splits: train, val, train_50k, train_80k, and train_100k, with detailed information on the byte size and number of examples for each split. The download size of the dataset is 46108568 bytes, and the total size is 96798132.36724219 bytes.

原始信息汇总

数据集概述

数据集特征

• id: 字符串类型
• err_sentence: 字符串类型
• cor_sentence: 字符串类型

数据集分割

• train:
  • 字节数: 43728466
  • 样本数: 214300
• val:
  • 字节数: 6137575
  • 样本数: 29050
• train_50k:
  • 字节数: 10202628.558096128
  • 样本数: 50000
• train_80k:
  • 字节数: 16324205.692953803
  • 样本数: 80000
• train_100k:
  • 字节数: 20405257.116192255
  • 样本数: 100000

数据集大小

• 下载大小: 46108568 字节
• 数据集大小: 96798132.36724219 字节

配置

• config_name: default
  • 数据文件路径:
    • train: data/train-*
    • val: data/val-*
    • train_50k: data/train_50k-*
    • train_80k: data/train_80k-*
    • train_100k: data/train_100k-*