anli

• Descrizione :

Adversarial NLI (ANLI) è un set di dati di riferimento NLI su larga scala, raccolto tramite una procedura iterativa e contraddittoria umana e modello nel ciclo.

• Documentazione aggiuntiva : Esplora documenti con codice

• Pagina iniziale : https://github.com/facebookresearch/anli

• Codice sorgente : tfds.datasets.anli.Builder

• Versioni :

  • 0.1.0 (impostazione predefinita): nessuna nota di rilascio.

• Dimensione del download : 17.76 MiB

• Auto-cache ( documentazione ): Sì

• Struttura delle caratteristiche :

FeaturesDict({
    'context': Text(shape=(), dtype=string),
    'hypothesis': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'uid': Text(shape=(), dtype=string),
})

• Documentazione delle funzionalità :

Caratteristica	Classe	Forma	Tipo D	Descrizione
	CaratteristicheDict
contesto	Testo		corda
ipotesi	Testo		corda
etichetta	ClassLabel		int64
fluido	Testo		corda

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Citazione :

@inproceedings{Nie2019AdversarialNA,
    title = "Adversarial NLI: A New Benchmark for Natural Language Understanding",
    author = "Nie, Yixin and
      Williams, Adina and
      Dinan, Emily  and
      Bansal, Mohit and
      Weston, Jason and
      Kiela, Douwe",
      year="2019",
    url ="https://arxiv.org/abs/1910.14599"
}

anli/r1 (configurazione predefinita)

• Descrizione della configurazione : Round One

• Dimensione del set di dati: 9.04 MiB

• Divisioni :

Diviso	Esempi
'test'	1.000
'train'	16.946
'validation'	1.000

• Esempi ( tfds.as_dataframe ):

anli/r2

• Descrizione della configurazione : Round Two

• Dimensione del set di dati: 22.39 MiB

• Divisioni :

Diviso	Esempi
'test'	1.000
'train'	45.460
'validation'	1.000

• Esempi ( tfds.as_dataframe ):

anli/r3

• Descrizione della configurazione : Round Three

• Dimensione del set di dati: 47.03 MiB

• Divisioni :

Diviso	Esempi
'test'	1.200
'train'	100.459
'validation'	1.200

• Esempi ( tfds.as_dataframe ):