ru-patents-gpt2-1024

kaggle2023-04-03 更新2024-03-11 收录

下载链接：

https://www.kaggle.com/datasets/visualcomments/ru-patents-gpt2-1024

下载链接

链接失效反馈

官方服务：

资源简介：

创建时间：

2023-04-03

statmt-cc100-gpt2-1024

该数据集包含一个名为input_ids的特征，数据类型为int32。数据集有一个训练分割，包含13,615,359个示例，占用55,822,971,900字节。下载大小为26,468,474,462字节。数据集使用的模型是rinna/japanese-gpt2-small，数据来源于statmt/cc100，语言为日语，上下文长度为1024。

Hugging Face2025-01-24 更新10

ru-patent

kaggle2023-04-04 更新10

haggingfacehyz/Skylion007-openwebtext-gpt2-1024

Skylion007/openwebtext是一个使用gpt2 tokenizer的大型文本数据集，包含了8835789个训练样本，数据集总大小为36226734900字节。该数据集适用于训练机器学习模型，特别是那些需要处理文本数据的模型，如语言模型。每个样本的上下文大小为1024。

Hugging Face2025-01-14 更新70

dhruveshpatel/owt-gpt2-1024-split

该数据集包含一个名为text的字符串类型字段。它分为训练集和验证集，其中训练集包含5,329,817个示例，大小为约26.45GB，验证集包含10,000个示例，大小为约49.63MB。数据集的总大小约为26.50GB，下载大小约为8.15GB。

Hugging Face2025-06-19 更新70

haggingfacehyz/monology-pile-uncopyrighted-gpt2-1024

这是一个名为monology-pile-uncopyrighted的数据集，使用gpt2的Tokenizer处理，包含序列化的整数特征(input_ids)。数据集被划分为训练集(train)，包含287,567,776个示例，总大小为1,170,278,816,000字节。该数据集的上下文大小设置为1024。

Hugging Face2025-01-14 更新40