BEE-spoke-data/SaunaWeb-50k
收藏Hugging Face2024-06-04 更新2024-06-12 收录
下载链接：
https://hf-mirror.com/datasets/BEE-spoke-data/SaunaWeb-50k
下载链接
链接失效反馈官方服务：
资源简介：
BEE-spoke-data/SaunaWeb-50k数据集是从HuggingFaceFW/fineweb数据集中筛选出包含单词sauna的样本。该数据集包含50,000个训练样本，总大小为320,819,438字节，下载大小为198,186,886字节。数据集的特征为文本（text），数据类型为字符串（string）。数据集的任务类别包括文本生成（text-generation）和填充掩码（fill-mask）。此外，README还提供了GPT-4 tiktoken的token统计信息，包括平均值、标准差、最小值、最大值等。
BEE-spoke-data/SaunaWeb-50k数据集是从HuggingFaceFW/fineweb数据集中筛选出包含单词sauna的样本。该数据集包含50,000个训练样本，总大小为320,819,438字节，下载大小为198,186,886字节。数据集的特征为文本（text），数据类型为字符串（string）。数据集的任务类别包括文本生成（text-generation）和填充掩码（fill-mask）。此外，README还提供了GPT-4 tiktoken的token统计信息，包括平均值、标准差、最小值、最大值等。
提供机构：
BEE-spoke-data
原始信息汇总
数据集概述
基本信息
- 数据集名称: BEE-spoke-data/SaunaWeb-50k
- 数据集大小: 320819438 字节
- 下载大小: 198186886 字节
- 训练集大小: 320819438 字节
- 训练集样本数: 50000
特征
- text: 字符串类型
配置
- 配置名称: default
- 数据文件路径: data/train-*
许可证
- 许可证: odc-by
大小分类
- 数据集大小分类: 10K<n<100K
源数据集
- 源数据集: HuggingFaceFW/fineweb
任务分类
- 任务分类:
- text-generation
- fill-mask
样本统计
- 总令牌数: 71.44 M tokens
- 令牌统计:
- 总数: 50000
- 平均数: 1428.86602
- 标准差: 4498.05023
- 最小值: 49
- 25% 分位数: 325
- 50% 分位数: 628.5
- 75% 分位数: 1238.25
- 最大值: 147973
