جوخه

• توضیحات :

مجموعه داده های پاسخ سوالات استنفورد (SQuAD) یک مجموعه داده درک مطلب است ، متشکل از س questionsالاتی است که توسط مجموعه کارگران در مجموعه ای از مقاله های ویکی پدیا مطرح شده است ، که در آن پاسخ به هر س aال بخشی از متن است ، یا دامنه آن از متن قرائت مربوطه یا س questionال ممکن است غیرقابل تحمل باشد.

• صفحه اصلی : https://rajpurkar.github.io/SQuAD-explorer/

• کد منبع : tfds.question_answering.squad.Squad

• نسخه ها :

  • 2.0.0 (پیش فرض): بدون یادداشت انتشار.

• کلیدهای تحت نظارت (به as_supervised سند نظارت شده مراجعه کنید): None

• نقل قول :

@article{2016arXiv160605250R,
       author = { {Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},
                 Konstantin and {Liang}, Percy},
        title = "{SQuAD: 100,000+ Questions for Machine Comprehension of Text}",
      journal = {arXiv e-prints},
         year = 2016,
          eid = {arXiv:1606.05250},
        pages = {arXiv:1606.05250},
archivePrefix = {arXiv},
       eprint = {1606.05250},
}

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

squad / v1.1 (پیکربندی پیش فرض)

• توضیحات پیکربندی : نسخه 1.1.0 SQUAD

• حجم بارگیری : 33.51 MiB

• اندازه مجموعه داده : 94.04 MiB

• ذخیره خودکار ( مستندات ): بله

• تقسیم :

• ویژگی ها :

FeaturesDict({
    'answers': Sequence({
        'answer_start': tf.int32,
        'text': Text(shape=(), dtype=tf.string),
    }),
    'context': Text(shape=(), dtype=tf.string),
    'id': tf.string,
    'question': Text(shape=(), dtype=tf.string),
    'title': Text(shape=(), dtype=tf.string),
})

• مثالها ( tfds.as_dataframe ):

تیم / v2.0

• توضیحات پیکربندی : نسخه 2.0.0 SQUAD

• اندازه 44.34 MiB : 44.34 MiB

• اندازه مجموعه داده : 148.51 MiB

• ذخیره خودکار ( مستندات ): بله (اعتبار سنجی) ، فقط وقتی shuffle_files=False (قطار)

• تقسیم :

• ویژگی ها :

FeaturesDict({
    'answers': Sequence({
        'answer_start': tf.int32,
        'text': Text(shape=(), dtype=tf.string),
    }),
    'context': Text(shape=(), dtype=tf.string),
    'id': tf.string,
    'is_impossible': tf.bool,
    'plausible_answers': Sequence({
        'answer_start': tf.int32,
        'text': Text(shape=(), dtype=tf.string),
    }),
    'question': Text(shape=(), dtype=tf.string),
    'title': Text(shape=(), dtype=tf.string),
})

• مثالها ( tfds.as_dataframe ):