alvations/c4p0-v2-de-en

---
dataset_info:
features:
- name: source
dtype: string
- name: target
dtype: string
- name: target_backto_source
dtype: string
- name: raw_target
list:
- name: generated_text
dtype: string
- name: raw_target_backto_source
list:
- name: generated_text
dtype: string
- name: prompt
dtype: string
- name: reverse_prompt
dtype: string
- name: source_langid
dtype: string
- name: target_langid
dtype: string
- name: target_backto_source_langid
dtype: string
- name: doc_id
dtype: int64
- name: sent_id
dtype: int64
- name: timestamp
dtype: string
- name: url
dtype: string
- name: doc_hash
dtype: string
- name: dataset
dtype: string
- name: source_lang
dtype: string
- name: target_lang
dtype: string
splits:
- name: train
num_bytes: 42046628
num_examples: 34416
download_size: 17644628
dataset_size: 42046628
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息（dataset_info）：
特征集合：
- 字段名：源文本（source），数据类型：字符串
- 字段名：目标文本（target），数据类型：字符串
- 字段名：目标文本回译至源语言版本（target_backto_source），数据类型：字符串
- 字段名：原始生成目标文本集（raw_target），类型为列表，列表内元素为：生成文本（generated_text），数据类型：字符串
- 字段名：目标回译文本原始版本集（raw_target_backto_source），类型为列表，列表内元素为：生成文本（generated_text），数据类型：字符串
- 字段名：提示词（prompt），数据类型：字符串
- 字段名：反向提示词（reverse_prompt），数据类型：字符串
- 字段名：源语言标识符（source_langid），数据类型：字符串
- 字段名：目标语言标识符（target_langid），数据类型：字符串
- 字段名：目标回译文本语言标识符（target_backto_source_langid），数据类型：字符串
- 字段名：文档ID（doc_id），数据类型：64位整数
- 字段名：句子ID（sent_id），数据类型：64位整数
- 字段名：时间戳（timestamp），数据类型：字符串
- 字段名：统一资源定位符（url，Uniform Resource Locator），数据类型：字符串
- 字段名：文档哈希值（doc_hash），数据类型：字符串
- 字段名：来源数据集标识（dataset），数据类型：字符串
- 字段名：源语言（source_lang），数据类型：字符串
- 字段名：目标语言（target_lang），数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节占用大小：42046628，样本总数：34416
下载总大小：17644628
数据集实际占用总大小：42046628
配置项：
- 配置名称：默认配置（default），数据文件配置：
- 对应数据集划分：训练集（train），数据存储路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• source：字符串类型
• target：字符串类型
• target_backto_source：字符串类型
• raw_target：列表类型，包含 generated_text（字符串类型）
• raw_target_backto_source：列表类型，包含 generated_text（字符串类型）
• prompt：字符串类型
• reverse_prompt：字符串类型
• source_langid：字符串类型
• target_langid：字符串类型
• target_backto_source_langid：字符串类型
• doc_id：整数类型（int64）
• sent_id：整数类型（int64）
• timestamp：字符串类型
• url：字符串类型
• doc_hash：字符串类型
• dataset：字符串类型
• source_lang：字符串类型
• target_lang：字符串类型

数据集分割

• train：
  • 数据量：42,046,628 字节
  • 示例数量：34,416

数据集大小

• 下载大小：17,644,628 字节
• 数据集总大小：42,046,628 字节

配置

• config_name: default
  • data_files:
    • split: train
      • path: data/train-*