cyrilzhang/TinyStories-ascii

该数据集包含训练集和验证集，每个集的特征为文本（text），数据类型为字符串（string）。数据来源于TinyStories数据集，并进行了Unicode到ASCII的标准化处理，移除了空或不完整的故事。训练集包含2105240个样本，验证集包含21839个样本。

The dataset includes two configurations: default. The data files include training and validation sets, stored in data/train-* and data/validation-* paths respectively. The dataset features include text (string type). The training set contains 2105240 samples, and the validation set contains 21839 samples. The download size of the dataset is 985544567 bytes, and the total size is 1904149840.0672262 bytes. The dataset is sourced from roneneldan/TinyStories, and has undergone Unicode to ASCII normalization, while removing empty or incomplete samples.

原始信息汇总

数据集概述

许可证

• 许可证类型：CDLA Sharing 1.0

配置

• 默认配置
  • 数据文件
    • 训练集：data/train-*
    • 验证集：data/validation-*

数据集信息

• 特征

  • 名称：text
  • 数据类型：string

• 分割

  • 训练集
    • 字节数：1885104075.974957
    • 样本数：2105240
  • 验证集
    • 字节数：19045764.092269212
    • 样本数：21839

• 下载大小：985544567

• 数据集大小：1904149840.0672262