amazingvince/RedPajama-Data-V2-Sample-snapshot-2023-14

--- dataset_info: features: - name: raw_content dtype: string - name: doc_id dtype: string - name: meta dtype: string - name: quality_signals dtype: string splits: - name: train num_bytes: 2595581904 num_examples: 232056 download_size: 1178806632 dataset_size: 2595581904 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息（dataset_info）： 特征列表： - 字段名称：原始内容（raw_content），数据类型：字符串（string） - 字段名称：文档ID（doc_id），数据类型：字符串（string） - 字段名称：元数据（meta），数据类型：字符串（string） - 字段名称：质量信号（quality_signals），数据类型：字符串（string） 数据集划分： - 划分名称：训练集（train），占用字节数：2595581904，样本总数：232056 下载总大小：1178806632 数据集总大小：2595581904 配置项： - 配置名称：默认配置（default），数据文件： - 对应数据集划分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• raw_content: 数据类型为字符串。
• doc_id: 数据类型为字符串。
• meta: 数据类型为字符串。
• quality_signals: 数据类型为字符串。

数据集分割

• train: 包含232056个样本，占用2595581904字节。

数据集大小

• 下载大小: 1178806632字节。
• 数据集大小: 2595581904字节。

配置

• default: 包含训练数据文件，路径为data/train-*。