OpenMol/MolInst_RS_125K_SMILES_1_4_MMChat

--- dataset_info: features: - name: id dtype: int64 - name: molecules struct: - name: selfies sequence: string - name: smiles sequence: string - name: ground_truth dtype: string - name: messages list: - name: content dtype: string - name: role dtype: string splits: - name: train num_bytes: 27316607 num_examples: 32171 - name: test num_bytes: 782363 num_examples: 1000 download_size: 4595521 dataset_size: 28098970 configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* ---数据集信息： 特征字段： - 名称：id，数据类型：int64（64位整数） - 名称：molecules，为结构体类型，包含两个子字段： - 名称：selfies（自引用嵌入字符串，SELFIES），类型为字符串序列 - 名称：smiles（简化分子线性输入规范，Simplified Molecular Input Line Entry System），类型为字符串序列 - 名称：ground_truth（标注真值），数据类型：字符串 - 名称：messages，为列表类型，列表元素为结构体，包含两个字段： - 名称：content（消息内容），数据类型：字符串 - 名称：role（消息角色），数据类型：字符串 数据集划分： - 划分名称：train（训练集），数据字节数：27316607，样本数量：32171 - 划分名称：test（测试集），数据字节数：782363，样本数量：1000 下载总大小：4595521 字节，数据集总存储大小：28098970 字节 配置项： - 配置名称：default，数据文件对应关系： - 训练集（train）：对应路径为 data/train-* - 测试集（test）：对应路径为 data/test-*

原始信息汇总

数据集概述

特征信息

• id: 数据类型为 int64。
• molecules: 结构包含以下字段：
  • selfies: 序列类型为 string。
  • smiles: 序列类型为 string。
• ground_truth: 数据类型为 string。
• messages: 列表包含以下字段：
  • content: 数据类型为 string。
  • role: 数据类型为 string。

数据分割

• train: 包含 32171 个样本，占用 27316607 字节。
• test: 包含 1000 个样本，占用 782363 字节。

数据大小

• 下载大小: 4595521 字节。
• 数据集大小: 28098970 字节。

配置信息

• default: 包含以下数据文件：
  • train: 路径为 data/train-*。
  • test: 路径为 data/test-*。