pszemraj/fleece2instructions-codealpaca

该数据集是从GitHub仓库[sahil280114/codealpaca]下载并解析为text2text格式，用于生成指令。数据集在下载时遵循了Creative Commons Attribution-NonCommercial 4.0 International Public License。原始数据集中的`inputs`和`instruction`列被聚合在一起，并添加了特殊标记`<instruction>`和`<inputs>`以便模型理解和后续的正则表达式分离。数据集包含训练集、测试集和验证集，分别有18014、1000和1002行数据，每行数据包含`instructions_inputs`和`output`两个特征。

原始信息汇总

数据集概述

基本信息

• 许可证: Creative Commons Attribution-NonCommercial 4.0 International Public License (cc-by-nc-4.0)
• 任务类别:
  • text2text-generation
  • text-generation
• 语言: 英语 (en)
• 数据集大小: 10K<n<100K
• 标签:
  • instructions
  • domain adaptation

数据集结构

• 训练集: 包含18014条记录，特征为[instructions_inputs, output]
• 测试集: 包含1000条记录，特征为[instructions_inputs, output]
• 验证集: 包含1002条记录，特征为[instructions_inputs, output]

数据处理

• 原始数据集中的inputs和instruction列已合并为instructions_inputs，每条记录前添加特殊标记<instruction>或<inputs>，以便模型理解和后续的正则表达式分离。

示例

• 约60%的数据记录不包含inputs，示例展示了这些记录的格式，使用特殊标记区分不同类型的文本。

搜集汇总

背景与挑战

背景概述

该数据集是从GitHub仓库'sahil280114/codealpaca'转换而来的text2text格式数据集，专门用于指令生成任务，遵循Creative Commons Attribution-NonCommercial 4.0 International Public License许可。数据集包含训练集、测试集和验证集，分别有18014、1000和1002行数据，每行数据由'instructions_inputs'和'output'两个特征组成，便于模型学习和正则表达式处理。