five

spachava/openwebtext

收藏
Hugging Face2023-11-13 更新2024-03-04 收录
下载链接:
https://hf-mirror.com/datasets/spachava/openwebtext
下载链接
链接失效反馈
官方服务:
资源简介:
--- license: mit dataset_info: - config_name: gpt2-1024 features: - name: input_ids sequence: int32 - name: attention_mask sequence: int8 - name: labels sequence: int64 splits: - name: train num_bytes: 111601610816 num_examples: 8375984 - name: validation num_bytes: 5911299192 num_examples: 443658 download_size: 34879494010 dataset_size: 117512910008 - config_name: gpt2-tokenized features: - name: input_ids sequence: int32 - name: attention_mask sequence: int8 splits: - name: train num_bytes: 42949162328 num_examples: 7613081 - name: validation num_bytes: 2274964454 num_examples: 400688 download_size: 17282982051 dataset_size: 45224126782 configs: - config_name: gpt2-1024 data_files: - split: train path: gpt2-1024/train-* - split: validation path: gpt2-1024/validation-* - config_name: gpt2-tokenized data_files: - split: train path: gpt2-tokenized/train-* - split: validation path: gpt2-tokenized/validation-* ---
提供机构:
spachava
原始信息汇总

数据集概述

许可证

  • MIT

数据集配置

配置名称:gpt2-1024

  • 特征
    • input_ids: 序列类型为 int32
    • attention_mask: 序列类型为 int8
    • labels: 序列类型为 int64
  • 分割
    • train
      • 字节数: 111601610816
      • 样本数: 8375984
    • validation
      • 字节数: 5911299192
      • 样本数: 443658
  • 下载大小: 34879494010
  • 数据集大小: 117512910008
  • 数据文件
    • train: gpt2-1024/train-*
    • validation: gpt2-1024/validation-*

配置名称:gpt2-tokenized

  • 特征
    • input_ids: 序列类型为 int32
    • attention_mask: 序列类型为 int8
  • 分割
    • train
      • 字节数: 42949162328
      • 样本数: 7613081
    • validation
      • 字节数: 2274964454
      • 样本数: 400688
  • 下载大小: 17282982051
  • 数据集大小: 45224126782
  • 数据文件
    • train: gpt2-tokenized/train-*
    • validation: gpt2-tokenized/validation-*
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作