HealthTeam/350k_dataset_health_ar_en_th_tokenized
收藏资源简介：
--- dataset_info: features: - name: inputs dtype: string - name: targets dtype: string - name: input_ids sequence: int32 - name: attention_mask sequence: int8 - name: labels sequence: int64 splits: - name: train num_bytes: 744995253 num_examples: 1075552 - name: validation num_bytes: 26752860 num_examples: 40432 - name: test num_bytes: 26752860 num_examples: 40432 download_size: 294054766 dataset_size: 798500973 --- # Dataset Card for "350k_dataset_health_ar_en_th_tokenized" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)
--- 数据集信息： 特征项： - 名称：输入项（inputs），数据类型：字符串 - 名称：目标项（targets），数据类型：字符串 - 名称：输入Token ID序列（input_ids），数据类型：int32序列 - 名称：注意力掩码（attention_mask），数据类型：int8序列 - 名称：标签序列（labels），数据类型：int64序列 数据集划分： - 划分名称：训练集（train），字节占用量：744995253，样本数量：1075552 - 划分名称：验证集（validation），字节占用量：26752860，样本数量：40432 - 划分名称：测试集（test），字节占用量：26752860，样本数量：40432 下载大小：294054766 数据集总大小：798500973 --- # 「350k_dataset_health_ar_en_th_tokenized」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)
数据集概述
数据集名称
- 350k_dataset_health_ar_en_th_tokenized
数据集特征
- inputs: 数据类型为字符串。
- targets: 数据类型为字符串。
- input_ids: 序列类型，数据类型为int32。
- attention_mask: 序列类型，数据类型为int8。
- labels: 序列类型，数据类型为int64。
数据集分割
- 训练集 (train):
- 样本数量: 1075552
- 数据大小: 744995253 字节
- 验证集 (validation):
- 样本数量: 40432
- 数据大小: 26752860 字节
- 测试集 (test):
- 样本数量: 40432
- 数据大小: 26752860 字节
数据集大小
- 下载大小: 294054766 字节
- 数据集总大小: 798500973 字节
