Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

c4

  • opis:

Kolosalna, oczyszczona wersja korpusu indeksowania sieci Common Crawl.

W oparciu o wspólne Crawl zbiorze: https://commoncrawl.org

Do generowania zbioru danych, należy postępować zgodnie z instrukcjami T5 .

Ze względu na nakład pracy związany z czyszczeniem zbioru danych zaleca się przygotowanie go za pomocą usługi rozproszonej, takiej jak Cloud Dataflow. Więcej informacji na https://www.tensorflow.org/datasets/beam_datasets

FeaturesDict({
    'content-length': Text(shape=(), dtype=tf.string),
    'content-type': Text(shape=(), dtype=tf.string),
    'text': Text(shape=(), dtype=tf.string),
    'timestamp': Text(shape=(), dtype=tf.string),
    'url': Text(shape=(), dtype=tf.string),
})
@article{2019t5,
  author = {Colin Raffel and Noam Shazeer and Adam Roberts and Katherine Lee and Sharan Narang and Michael Matena and Yanqi Zhou and Wei Li and Peter J. Liu},
  title = {Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer},
  journal = {arXiv e-prints},
  year = {2019},
  archivePrefix = {arXiv},
  eprint = {1910.10683},
}

c4/en (konfiguracja domyślna)

  • Opis config: English C4 zestaw danych.

  • Wielkość pliku: 12.28 MiB

  • Zbiór danych rozmiar: 806.92 GiB

  • dzieli:

Podział Przykłady
'train' 364 868 901
'validation' 364 608

c4/en.noclean

  • Opis config: Wyłącza wszystkie czyszczenie (deduplikacja, usuwanie na podstawie złych słów, itd.)

  • Wielkość pliku: 12.25 MiB

  • Zbiór danych rozmiar: 6.21 TiB

  • dzieli:

Podział Przykłady
'train' 1 063 805 324
'validation' 1 065 029

c4/realnewslike

  • Opis config: Filtry z domyślnej konfiguracji obejmuje tylko zawartość z domen używanych w zbiorze „RealNews” (Zellers et al, 2019)..

  • Wielkość pliku: 12.41 MiB

  • Zbiór danych rozmiar: 36.89 GiB

  • dzieli:

Podział Przykłady
'train' 13 799 838
'validation' 13 863

c4/webtextlike

Podział Przykłady
'train' 4500 788
'validation' 4493

c4/wielojęzyczny

  • Opis config: Wielojęzyczny C4 (MC4) posiada 101 języków i jest generowany z 71 Wspólnej Crawl wysypisk.

  • Wielkość pliku: 22.74 MiB

  • Zbiór danych rozmiar: 26.76 TiB

  • dzieli:

Podział Przykłady
'af' 2 152 243
'af-validation' 2118
'am' 162,870
'am-validation' 155
'ar' 53 256 040
'ar-validation' 52,978
'az' 5 285 720
'az-validation' 5239
'be' 1 742 030
'be-validation' 1,712
'bg' 23 409 799
'bg-Latn' 162,461
'bg-Latn-validation' 144
'bg-validation' 23 503
'bn' 7 444 098
'bn-validation' 7415
'ca' 14 492 899
'ca-validation' 14 489
'ceb' 351,894
'ceb-validation' 367
'co' 494 913
'co-validation' 565
'cs' 60,149,680
'cs-validation' 60 462
'cy' 4 131 915
'cy-validation' 4103
'da' 28 777 331
'da-validation' 28,945
'de' 397 006 993
'de-validation' 398,583
'el' 41 753 736
'el-Latn' 449,943
'el-Latn-validation' 468
'el-validation' 42 358
'en' 3 079 081 989
'en-validation' 3 083 850
'eo' 500 048
'eo-validation' 496
'es' 416 057 992
'es-validation' 416 256
'et' 6 941 360
'et-validation' 6848
'eu' 1 555 887
'eu-validation' 1580
'fa' 53 927 287
'fa-validation' 53 685
'fi' 26 842 650
'fi-validation' 26,710
'fil' 2 102 197
'fil-validation' 2158
'fr' 332 674 575
'fr-validation' 331 328
'fy' 1 104 359
'fy-validation' 1,094
'ga' 465,670
'ga-validation' 490
'gd' 322 404
'gd-validation' 338
'gl' 4 549 465
'gl-validation' 4631
'gu' 631 600
'gu-validation' 651
'ha' 247 479
'ha-validation' 258
'haw' 84 312
'haw-validation' 86
'hi' 18 507 273
'hi-Latn' 626,154
'hi-Latn-validation' 638
'hi-validation' 18 392
'hmn' 295 549
'hmn-validation' 312
'ht' 269 ​​174
'ht-validation' 281
'hu' 36 819 508
'hu-validation' 36,756
'hy' 2 401 949
'hy-validation' 2410
'id' 69 625 551
'id-validation' 69 739
'ig' 92 909
'ig-validation' 87
'is' 2 069 293
'is-validation' 2065
'it' 186 404 508
'it-validation' 186 030
'iw' 12.334.609
'iw-validation' 12.207
'ja' 87 337 884
'ja-Latn' 533 516
'ja-Latn-validation' 506
'ja-validation' 87,420
'jv' 581 528
'jv-validation' 609
'ka' 2295,551
'ka-validation' 2279
'kk' 2 392 401
'kk-validation' 2400
'km' 756 612
'km-validation' 745
'kn' 1,056,849
'kn-validation' 1,039
'ko' 15 602 947
'ko-validation' 15 771
'ku' 298 389
'ku-validation' 298
'ky' 995 539
'ky-validation' 976
'la' 1 674 463
'la-validation' 1,654
'lb' 2 740 336
'lb-validation' 2692
'lo' 141,776
'lo-validation' 145
'lt' 11 274 295
'lt-validation' 11,245
'lv' 6 414 223
'lv-validation' 6598
'mg' 345 040
'mg-validation' 367
'mi' 101,169
'mi-validation' 106
'mk' 2 058 417
'mk-validation' 2054
'ml' 2 044 981
'ml-validation' 2002
'mn' 2 054 674
'mn-validation' 2090
'mr' 7 774 331
'mr-validation' 7928
'ms' 13 180 647
'ms-validation' 13 391
'mt' 2 261 303
'mt-validation' 2322
'my' 813 530
'my-validation' 858
'ne' 2 942 785
'ne-validation' 2951
'nl' 96 210 458
'nl-validation' 96,637
'no' 25 402 139
'no-validation' 25 766
'ny' 174 696
'ny-validation' 162
'pa' 363 399
'pa-validation' 346
'pl' 126 164 277
'pl-validation' 125 997
'ps' 335,452
'ps-validation' 318
'pt' 169 239 084
'pt-validation' 169 417
'ro' 45 738 857
'ro-validation' 45 512
'ru' 755,585,265
'ru-Latn' 745.491
'ru-Latn-validation' 753
'ru-validation' 756,418
'sd' 743 057
'sd-validation' 774
'si' 534 759
'si-validation' 509
'sk' 17 729 698
'sk-validation' 17 865
'sl' 8 499 456
'sl-validation' 8504
'sm' 98,467
'sm-validation' 108
'sn' 326 392
'sn-validation' 306
'so' 893 012
'so-validation' 888
'sq' 4 113 147
'sq-validation' 4086
'sr' 3 398 483
'sr-validation' 3443
'st' 66 837
'st-validation' 88
'su' 280 719
'su-validation' 269
'sv' 48 570 979
'sv-validation' 48 633
'sw' 985,654
'sw-validation' 994
'ta' 3 514 561
'ta-validation' 3,510
'te' 1,188,243
'te-validation' 1211
'tg' 1 280 757
'tg-validation' 1259
'th' 15 463 131
'th-validation' 15 344
'tr' 87 595 290
'tr-validation' 87 596
'uk' 38 556 465
'uk-validation' 38.550
'und' 1 866 266 695
'und-validation' 1 867 450
'ur' 1950,124
'ur-validation' 1885
'uz' 796 416
'uz-validation' 847
'vi' 78 587 159
'vi-validation' 78,611
'xh' 69 048
'xh-validation' 62
'yi' 143,708
'yi-validation' 161
'yo' 46.214
'yo-validation' 42
'zh' 54 542 308
'zh-Latn' 373 664
'zh-Latn-validation' 387
'zh-validation' 54 656
'zu' 555,458
'zu-validation' 548