Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

Drużyna

  • opis:

Stanford Question Answering Dataset (SQuAD) to zbiór danych dotyczących czytania ze zrozumieniem, składający się z pytań zadawanych przez pracowników społecznościowych w zestawie artykułów Wikipedii, gdzie odpowiedź na każde pytanie jest fragmentem tekstu lub rozpiętością odpowiedniego fragmentu tekstu lub pytania może być nie do odebrania.

@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},
}

skład/v1.1 (konfiguracja domyślna)

  • Opis config: Wersja 1.1.0 z SQUAD

  • Wielkość pliku: 33.51 MiB

  • Zbiór danych rozmiar: 94.06 MiB

  • Auto-buforowane ( dokumentacja ): Tak

  • dzieli:

Podział Przykłady
'train' 87 599
'validation' 10,570
  • Cechy:
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),
})

skład/v2.0

  • Opis config: Wersja 2.0.0 z SQUAD

  • Wielkość pliku: 44.34 MiB

  • Zbiór danych rozmiar: 148.54 MiB

  • Auto-buforowane ( dokumentacja ): Tak (walidacja) Dopiero gdy shuffle_files=False (pociąg)

  • dzieli:

Podział Przykłady
'train' 130 319
'validation' 11,873
  • Cechy:
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),
})