nomic-ai/nomic-bert-pretokenized-2048-wiki-2023

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: token_type_ids
sequence: int8
- name: attention_mask
sequence: int8
- name: special_tokens_mask
sequence: int8
splits:
- name: train
num_bytes: 38003435808
num_examples: 2647954
download_size: 10083141941
dataset_size: 38003435808
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• input_ids：序列类型为int32。
• token_type_ids：序列类型为int8。
• attention_mask：序列类型为int8。
• special_tokens_mask：序列类型为int8。

数据集分割

• 训练集（train）：
  • 数据量：38003435808字节。
  • 样本数：2647954个。

数据集大小与下载大小

• 下载大小：10083141941字节。
• 数据集大小：38003435808字节。

配置信息

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