HoangHa/selfies-train-ids

---
dataset_info:
features:
- name: SELFIES
dtype: string
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: special_tokens_mask
sequence: int8
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 69493562319.0527
num_examples: 170768530
- name: test
num_bytes: 12263569844.947298
num_examples: 30135623
download_size: 23856521649
dataset_size: 81757132164.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

数据集特征

• SELFIES: 数据类型为字符串。
• input_ids: 数据类型为整数序列，具体为int32。
• token_type_ids: 数据类型为整数序列，具体为int8。
• special_tokens_mask: 数据类型为整数序列，具体为int8。
• attention_mask: 数据类型为整数序列，具体为int8。

数据集划分

• 训练集 (train):
  • 数据量: 170,768,530个样本
  • 存储大小: 69,493,562,319.0527字节
• 测试集 (test):
  • 数据量: 30,135,623个样本
  • 存储大小: 12,263,569,844.947298字节

数据集大小

• 下载大小: 23,856,521,649字节
• 总数据集大小: 81,757,132,164.0字节

数据文件配置

• 默认配置 (default):
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*