zicsx/mC4-Hindi-Cleaned-2.0

---
dataset_info:
features:
- name: text
dtype: string
splits:
- name: train
num_bytes: 3691890468.713361
num_examples: 3913635
download_size: 6432440886
dataset_size: 3691890468.713361
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
license: apache-2.0
language:
- hi
tags:
- mC4
- Common Crawl
size_categories:
- 10M<n<100M
---
# Dataset Card for "test"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

### 数据集信息
数据特征：
- 字段名称：`text`，数据类型：字符串（string）
数据划分：
- 训练集（train）：字节大小为3691890468.713361，样本总数为3913635
整体下载大小：6432440886字节，数据集存储总大小：3691890468.713361字节

配置项：
- 默认配置（default）：训练集（train）对应的数据文件路径为`data/train-*`

开源许可证：Apache 2.0
支持语言：印地语（hi）
数据集标签：mC4、Common Crawl
规模分类：10M<n<100M（样本量介于1000万至1亿之间）

---

# "test" 数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集信息

特征

• 名称: text
• 数据类型: string

数据分割

• 名称: train
• 字节数: 3691890468.713361
• 样本数: 3913635

大小

• 下载大小: 6432440886
• 数据集大小: 3691890468.713361

配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

许可证

• 许可证: apache-2.0

语言

• 语言: hi

标签

• 标签:
  • mC4
  • Common Crawl

大小类别

• 大小类别: 10M<n<100M