pbwinter/tokenized_masked_hindi_wiki

---
dataset_info:
features:
- name: labels
sequence: int64
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
splits:
- name: train
num_bytes: 4224326912
num_examples: 2336464
download_size: 343947644
dataset_size: 4224326912
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 标签（labels）：64位整数序列
- 输入ID（input_ids）：32位整数序列
- Token类型ID（token_type_ids）：8位整数序列
- 注意力掩码（attention_mask）：8位整数序列
数据集拆分：
- 训练集（train）：占用字节数为4224326912，共包含2336464个样本
下载规模：343947644字节
总数据集规模：4224326912字节
数据集配置：
- 默认配置（config_name: default）：其数据文件配置如下：
- 训练集拆分：对应数据路径为data/train-*

原始信息汇总

数据集概述

数据集特征

• labels: 序列类型为 int64
• input_ids: 序列类型为 int32
• token_type_ids: 序列类型为 int8
• attention_mask: 序列类型为 int8

数据集分割

• train: 包含 2336464 个样本，总字节数为 4224326912

数据集大小

• 下载大小: 343947644 字节
• 数据集大小: 4224326912 字节

配置

• default: 数据文件路径为 data/train-*