Thanks for tuning in to Google I/O. View all sessions on demandWatch on demand

wiki40b

  • Descripción :

El texto de limpieza para las ediciones de páginas en más de 40 idiomas de Wikipedia corresponde a entidades. Los conjuntos de datos tienen divisiones de entrenamiento/desarrollo/prueba por idioma. El conjunto de datos se limpia mediante el filtrado de páginas para eliminar páginas de desambiguación, páginas de redireccionamiento, páginas eliminadas y páginas que no son de entidad. Cada ejemplo contiene la identificación de wikidata de la entidad y el artículo completo de Wikipedia después del procesamiento de la página que elimina las secciones sin contenido y los objetos estructurados. Los modelos de lenguaje entrenados en este corpus, incluidos 41 modelos monolingües y 2 modelos multilingües, se pueden encontrar en https://hub.tensorflow.google.cn/google/collections/ wiki40b-lm/1.

FeaturesDict({
    'text': Text(shape=(), dtype=string),
    'version_id': Text(shape=(), dtype=string),
    'wikidata_id': Text(shape=(), dtype=string),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
texto Texto cuerda
version_id Texto cuerda
wikidata_id Texto cuerda
@inproceedings{49029,
title = {Wiki-40B: Multilingual Language Model Dataset},
author = {Mandy Guo and Zihang Dai and Denny Vrandecic and Rami Al-Rfou},
year = {2020},
booktitle   = {LREC 2020}
}

wiki40b/en (configuración predeterminada)

  • Descripción de la configuración : conjunto de datos Wiki40B para en.

  • Tamaño del conjunto de datos : 9.91 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 162,274
'train' 2,926,536
'validation' 163,597

wiki40b/ar

  • Descripción de la configuración : conjunto de datos Wiki40B para ar.

  • Tamaño del conjunto de datos : 833.20 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 12,271
'train' 220,885
'validation' 12,198

wiki40b/zh-cn

  • Descripción de la configuración : conjunto de datos Wiki40B para zh-cn.

  • Tamaño del conjunto de datos : 985.53 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 30,355
'train' 549,672
'validation' 30,299

wiki40b/zh-tw

  • Descripción de la configuración : conjunto de datos Wiki40B para zh-tw.

  • Tamaño del conjunto de datos : 986.45 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 30,670
'train' 552,031
'validation' 30,739

wiki40b/nl

  • Descripción de la configuración : conjunto de datos Wiki40B para nl.

  • Tamaño del conjunto de datos : 961.82 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 24,776
'train' 447,555
'validation' 25,201

wiki40b/es

  • Descripción de la configuración : conjunto de datos Wiki40B para fr.

  • Tamaño del conjunto de datos : 3.37 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 68,004
'train' 1,227,206
'validation' 68,655

wiki40b/de

  • Descripción de la configuración : conjunto de datos Wiki40B para de.

  • Tamaño del conjunto de datos : 4.78 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 86,594
'train' 1,554,910
'validation' 86,068

wiki40b/es

  • Descripción de la configuración : Conjunto de datos Wiki40B para ello.

  • Tamaño del conjunto de datos : 2.00 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 40,443
'train' 732,609
'validation' 40,684

wiki40b/ja

  • Descripción de la configuración : conjunto de datos Wiki40B para ja.

  • Tamaño del conjunto de datos : 2.19 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 41,268
'train' 745,392
'validation' 41,576

wiki40b/ko

  • Descripción de la configuración : conjunto de datos Wiki40B para ko.

  • Tamaño del conjunto de datos : 453.98 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 10,802
'train' 194,977
'validation' 10,805

wiki40b/pl

  • Descripción de configuración : conjunto de datos Wiki40B para pl.

  • Tamaño del conjunto de datos : 1.03 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 27,987
'train' 505,191
'validation' 28,310

wiki40b/pt

  • Descripción de la configuración : conjunto de datos Wiki40B para pt.

  • Tamaño del conjunto de datos : 1.08 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 22,693
'train' 406,507
'validation' 22,301

wiki40b/es

  • Descripción de la configuración : conjunto de datos Wiki40B para ru.

  • Tamaño del conjunto de datos : 4.13 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 51,885
'train' 926,037
'validation' 51,287

wiki40b/es

  • Descripción de la configuración : conjunto de datos Wiki40B para es.

  • Tamaño del conjunto de datos : 2.70 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 48,764
'train' 872,541
'validation' 48,592

wiki40b/th

  • Descripción de la configuración : conjunto de datos Wiki40B para th.

  • Tamaño del conjunto de datos : 326.29 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 3,114
'train' 56,798
'validation' 3,093

wiki40b/tr

  • Descripción de la configuración : conjunto de datos Wiki40B para tr.

  • Tamaño del conjunto de datos : 308.87 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 7,890
'train' 142,576
'validation' 7,845

wiki40b/bg

  • Descripción de la configuración : conjunto de datos Wiki40B para bg.

  • Tamaño del conjunto de datos : 433.20 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 7,289
'train' 130,670
'validation' 7,259

wiki40b/ca

  • Descripción de la configuración : conjunto de datos Wiki40B para ca.

  • Tamaño del conjunto de datos : 753.00 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 15,568
'train' 277,313
'validation' 15,362

wiki40b/cs

  • Descripción de la configuración : conjunto de datos Wiki40B para cs.

  • Tamaño del conjunto de datos : 631.84 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 12,984
'train' 235,971
'validation' 13,096

wiki40b/da

  • Descripción de la configuración : conjunto de datos Wiki40B para da.

  • Tamaño del conjunto de datos : 240.51 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 6,219
'train' 109,486
'validation' 6,173

wiki40b/el

  • Descripción de la configuración : conjunto de datos Wiki40B para el.

  • Tamaño del conjunto de datos : 524.77 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 5,261
'train' 93,596
'validation' 5,130

wiki40b/et

  • Descripción de la configuración : conjunto de datos Wiki40B para et.

  • Tamaño del conjunto de datos : 184.07 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 6,205
'train' 114,464
'validation' 6,351

wiki40b/fa

  • Descripción de la configuración : conjunto de datos Wiki40B para fa.

  • Tamaño del conjunto de datos : 482.55 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 11,262
'train' 203,145
'validation' 11,180

wiki40b/fi

  • Descripción de la configuración : conjunto de datos Wiki40B para fi.

  • Tamaño del conjunto de datos : 534.13 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 14,179
'train' 255,822
'validation' 13,962

wiki40b/él

  • Descripción de la configuración : conjunto de datos Wiki40B para he.

  • Tamaño del conjunto de datos : 869.51 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 9,344
'train' 165,359
'validation' 9,231

wiki40b/hola

  • Descripción de la configuración : conjunto de datos Wiki40B para hi.

  • Tamaño del conjunto de datos : 277.56 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 2,643
'train' 45,737
'validation' 2,596

wiki40b/h

  • Descripción de la configuración : conjunto de datos Wiki40B para hr.

  • Tamaño del conjunto de datos : 235.58 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 5,724
'train' 103,857
'validation' 5,792

wiki40b/hu

  • Descripción de la configuración : conjunto de datos Wiki40B para hu.

  • Tamaño del conjunto de datos : 634.25 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 15,258
'train' 273,248
'validation' 15,208

wiki40b/id

  • Descripción de la configuración : conjunto de datos Wiki40B para id.

  • Tamaño del conjunto de datos : 334.06 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 8,598
'train' 156,255
'validation' 8,714

wiki40b/lt

  • Descripción de la configuración : conjunto de datos Wiki40B para lt.

  • Tamaño del conjunto de datos : 140.46 MiB

  • Almacenamiento automático en caché ( documentación ): Sí

  • Divisiones :

Separar Ejemplos
'test' 4,683
'train' 84,854
'validation' 4,754

wiki40b/lv

  • Descripción de la configuración : conjunto de datos Wiki40B para lv.

  • Tamaño del conjunto de datos : 80.07 MiB

  • Almacenamiento automático en caché ( documentación ): Sí

  • Divisiones :

Separar Ejemplos
'test' 1,932
'train' 33,064
'validation' 1,857

wiki40b/ms

  • Descripción de la configuración : conjunto de datos Wiki40B para ms.

  • Tamaño del conjunto de datos : 142.49 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 5,235
'train' 97,509
'validation' 5,357

wiki40b/no

  • Descripción de la configuración : conjunto de datos Wiki40B para no.

  • Tamaño del conjunto de datos : 382.03 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 10,588
'train' 190,588
'validation' 10,547

wiki40b/ro

  • Descripción de la configuración : conjunto de datos Wiki40B para ro.

  • Tamaño del conjunto de datos : 319.68 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 7,870
'train' 139,615
'validation' 7,624

wiki40b/sk

  • Descripción de la configuración : conjunto de datos Wiki40B para sk.

  • Tamaño del conjunto de datos : 170.20 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 5,741
'train' 103,095
'validation' 5,604

wiki40b/sl

  • Descripción de la configuración : conjunto de datos Wiki40B para sl.

  • Tamaño del conjunto de datos : 157.38 MiB

  • Almacenamiento automático en caché ( documentación ): Sí (prueba, validación), solo cuando shuffle_files=False (tren)

  • Divisiones :

Separar Ejemplos
'test' 3,341
'train' 60,927
'validation' 3,287

wiki40b/sr

  • Descripción de la configuración : conjunto de datos Wiki40B para sr.

  • Tamaño del conjunto de datos : 582.20 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 17,997
'train' 327,313
'validation' 18,100

wiki40b/sv

  • Descripción de la configuración : conjunto de datos Wiki40B para sv.

  • Tamaño del conjunto de datos : 613.62 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 22,291
'train' 400,742
'validation' 22,263

wiki40b/tl

  • Descripción de la configuración : conjunto de datos Wiki40B para tl.

  • Tamaño del conjunto de datos : 29.04 MiB

  • Almacenamiento automático en caché ( documentación ): Sí

  • Divisiones :

Separar Ejemplos
'test' 1,446
'train' 25,940
'validation' 1,472

wiki40b/es

  • Descripción de la configuración : conjunto de datos Wiki40B para el Reino Unido.

  • Tamaño del conjunto de datos : 1.67 GiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 26,581
'train' 477,618
'validation' 26,324

wiki40b/vi

  • Descripción de la configuración : conjunto de datos Wiki40B para vi.

  • Tamaño del conjunto de datos : 497.70 MiB

  • Almacenamiento automático en caché ( documentación ): No

  • Divisiones :

Separar Ejemplos
'test' 7,942
'train' 146,255
'validation' 8,195