HealthTeam/350k_dataset_health_ar_en_th_tokenized

---
dataset_info:
features:
- name: inputs
dtype: string
- name: targets
dtype: string
- name: input_ids
sequence: int32
- name: attention_mask
sequence: int8
- name: labels
sequence: int64
splits:
- name: train
num_bytes: 744995253
num_examples: 1075552
- name: validation
num_bytes: 26752860
num_examples: 40432
- name: test
num_bytes: 26752860
num_examples: 40432
download_size: 294054766
dataset_size: 798500973
---
# Dataset Card for "350k_dataset_health_ar_en_th_tokenized"

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

---
数据集信息：
特征项：
- 名称：输入项（inputs），数据类型：字符串
- 名称：目标项（targets），数据类型：字符串
- 名称：输入Token ID序列（input_ids），数据类型：int32序列
- 名称：注意力掩码（attention_mask），数据类型：int8序列
- 名称：标签序列（labels），数据类型：int64序列
数据集划分：
- 划分名称：训练集（train），字节占用量：744995253，样本数量：1075552
- 划分名称：验证集（validation），字节占用量：26752860，样本数量：40432
- 划分名称：测试集（test），字节占用量：26752860，样本数量：40432
下载大小：294054766
数据集总大小：798500973
---
# 「350k_dataset_health_ar_en_th_tokenized」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

数据集名称

• 350k_dataset_health_ar_en_th_tokenized

数据集特征

• inputs: 数据类型为字符串。
• targets: 数据类型为字符串。
• input_ids: 序列类型，数据类型为int32。
• attention_mask: 序列类型，数据类型为int8。
• labels: 序列类型，数据类型为int64。

数据集分割

• 训练集 (train):
  • 样本数量: 1075552
  • 数据大小: 744995253 字节
• 验证集 (validation):
  • 样本数量: 40432
  • 数据大小: 26752860 字节
• 测试集 (test):
  • 样本数量: 40432
  • 数据大小: 26752860 字节

数据集大小

• 下载大小: 294054766 字节
• 数据集总大小: 798500973 字节