مراجع:
أون
استخدم الأمر التالي لتحميل مجموعة البيانات هذه في TFDS:
ds = tfds.load('huggingface:c4/en')
- وصف :
A colossal, cleaned version of Common Crawl's web crawl corpus.
Based on Common Crawl dataset: "https://commoncrawl.org".
This is the processed version of Google's C4 dataset by AllenAI.
- الترخيص : لا يوجد ترخيص معروف
- الإصدار : 0.0.0
- الإنشقاقات :
ينقسم | أمثلة |
---|---|
'train' | 364868892 |
'validation' | 364608 |
- سمات :
{
"text": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"timestamp": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"url": {
"dtype": "string",
"id": null,
"_type": "Value"
}
}
en.noblocklist
استخدم الأمر التالي لتحميل مجموعة البيانات هذه في TFDS:
ds = tfds.load('huggingface:c4/en.noblocklist')
- وصف :
A colossal, cleaned version of Common Crawl's web crawl corpus.
Based on Common Crawl dataset: "https://commoncrawl.org".
This is the processed version of Google's C4 dataset by AllenAI.
- الترخيص : لا يوجد ترخيص معروف
- الإصدار : 0.0.0
- الإنشقاقات :
ينقسم | أمثلة |
---|---|
'train' | 393391519 |
'validation' | 393226 |
- سمات :
{
"text": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"timestamp": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"url": {
"dtype": "string",
"id": null,
"_type": "Value"
}
}
com.realnewslike
استخدم الأمر التالي لتحميل مجموعة البيانات هذه في TFDS:
ds = tfds.load('huggingface:c4/realnewslike')
- وصف :
A colossal, cleaned version of Common Crawl's web crawl corpus.
Based on Common Crawl dataset: "https://commoncrawl.org".
This is the processed version of Google's C4 dataset by AllenAI.
- الترخيص : لا يوجد ترخيص معروف
- الإصدار : 0.0.0
- الإنشقاقات :
ينقسم | أمثلة |
---|---|
'train' | 13799838 |
'validation' | 13863 |
- سمات :
{
"text": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"timestamp": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"url": {
"dtype": "string",
"id": null,
"_type": "Value"
}
}
en.noclean
استخدم الأمر التالي لتحميل مجموعة البيانات هذه في TFDS:
ds = tfds.load('huggingface:c4/en.noclean')
- وصف :
A colossal, cleaned version of Common Crawl's web crawl corpus.
Based on Common Crawl dataset: "https://commoncrawl.org".
This is the processed version of Google's C4 dataset by AllenAI.
- الترخيص : لا يوجد ترخيص معروف
- الإصدار : 0.0.0
- الإنشقاقات :
ينقسم | أمثلة |
---|---|
'train' | 1063805381 |
'validation' | 1065029 |
- سمات :
{
"text": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"timestamp": {
"dtype": "string",
"id": null,
"_type": "Value"
},
"url": {
"dtype": "string",
"id": null,
"_type": "Value"
}
}