Tsubasaz/clinical-pubmed-bert-base-128

该数据集使用了bert-cased分词器，并将句子截断为128长度（非句子对），所有句子对均被提取。原始数据集来源于BookCorpus和Wikipedia（20220301.en版本）。数据集的特征包括input_ids、token_type_ids和attention_mask，均为序列类型。数据集的分割为train，包含131,569,119个样本，下载大小为15,915,934,708字节