lm1b, lm1b

• Descripción :

Un corpus de referencia que se utilizará para medir el progreso en el modelado de lenguaje estadístico. Esto tiene casi mil millones de palabras en los datos de entrenamiento.

• Documentación adicional : Explore en Papers With Code

• Página de inicio : http://www.statmt.org/lm-benchmark/

• Código fuente : tfds.datasets.lm1b.Builder

• Versiones :

  • 1.1.0 (predeterminado): Sin notas de la versión.

• Tamaño de descarga : 1.67 GiB

• Tamaño del conjunto de datos : 4.40 GiB

• Almacenamiento automático en caché ( documentación ): No

• Divisiones :

Separar	Ejemplos
'test'	306,688
'train'	30,301,028

• Estructura de características :

FeaturesDict({
    'text': Text(shape=(), dtype=string),
})

• Documentación de características :

Rasgo	Clase	Forma	Tipo D	Descripción
	CaracterísticasDict
texto	Texto		cuerda

• Teclas supervisadas (ver as_supervised doc ): ('text', 'text')

• Figura ( tfds.show_examples ): no compatible.

• Ejemplos ( tfds.as_dataframe ):

• Cita :

@article{DBLP:journals/corr/ChelbaMSGBK13,
  author    = {Ciprian Chelba and
               Tomas Mikolov and
               Mike Schuster and
               Qi Ge and
               Thorsten Brants and
               Phillipp Koehn},
  title     = {One Billion Word Benchmark for Measuring Progress in Statistical Language
               Modeling},
  journal   = {CoRR},
  volume    = {abs/1312.3005},
  year      = {2013},
  url       = {http://arxiv.org/abs/1312.3005},
  archivePrefix = {arXiv},
  eprint    = {1312.3005},
  timestamp = {Mon, 13 Aug 2018 16:46:16 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/ChelbaMSGBK13},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}