bowphs/cc-100-01-percent-untokenized

---
dataset_info:
features:
- name: id
dtype: string
- name: text
dtype: string
splits:
- name: train
num_bytes: 29257739786
num_examples: 147182603
download_size: 22427356397
dataset_size: 29257739786
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "cc-100-01-percent-untokenized"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
数据集信息：
特征列表：
- 名称：id，数据类型：字符串
- 名称：text，数据类型：字符串
数据集拆分：
- 拆分名称：训练集（train），字节数：29257739786，样本总数：147182603
下载大小：22427356397
数据集存储总大小：29257739786
配置项：
- 配置名称：默认配置（default），数据文件列表：
- 对应拆分：训练集（train），文件路径：data/train-*
---
# 「cc-100-01-percent-未分词（untokenized）」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)

原始信息汇总

数据集概述

数据集信息

• 特征:
  • 名称: id
    • 数据类型: string
  • 名称: text
    • 数据类型: string

数据分割

• 名称: train
  • 字节数: 29257739786
  • 样本数: 147182603

数据集大小

• 下载大小: 22427356397
• 数据集大小: 29257739786

配置

• 配置名称: default
  • 数据文件:
    • 分割: train
    • 路径: data/train-*