c4

Referencje:

pl

Użyj następującego polecenia, aby załadować ten zestaw danych do TFDS:

ds = tfds.load('huggingface:c4/en')
  • Opis : 
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.
  • Licencja : Brak znanej licencji
  • Wersja : 0.0.0
  • Podziały :
Podział Przykłady
'train' 364868892
'validation' 364608
  • Cechy : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

pl.noblocklist

Użyj następującego polecenia, aby załadować ten zestaw danych do TFDS:

ds = tfds.load('huggingface:c4/en.noblocklist')
  • Opis : 
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.
  • Licencja : Brak znanej licencji
  • Wersja : 0.0.0
  • Podziały :
Podział Przykłady
'train' 393391519
'validation' 393226
  • Cechy : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

prawdziwe wiadomości

Użyj następującego polecenia, aby załadować ten zestaw danych do TFDS:

ds = tfds.load('huggingface:c4/realnewslike')
  • Opis : 
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.
  • Licencja : Brak znanej licencji
  • Wersja : 0.0.0
  • Podziały :
Podział Przykłady
'train' 13799838
'validation' 13863
  • Cechy : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

pl.noclean

Użyj następującego polecenia, aby załadować ten zestaw danych do TFDS: 

ds = tfds.load('huggingface:c4/en.noclean')
  • Opis : 
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.
  • Licencja : Brak znanej licencji
  • Wersja : 0.0.0
  • Podziały :
Podział Przykłady
'train' 1063805381
'validation' 1065029
  • Cechy : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}