c4

참고자료:

ko

TFDS에 이 데이터세트를 로드하려면 다음 명령어를 사용하세요.

ds = tfds.load('huggingface:c4/en')
  • 설명 : 
A colossal, cleaned version of Common Crawl's web crawl corpus.

Based on Common Crawl dataset: "https://commoncrawl.org".

This is the processed version of Google's C4 dataset by AllenAI.
  • 라이센스 : 알려진 라이센스 없음
  • 버전 : 0.0.0
  • 분할 :
나뉘다 예
'train' 364868892
'validation' 364608
  • 특징 : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

en.noblocklist

TFDS에 이 데이터세트를 로드하려면 다음 명령어를 사용하세요.

ds = tfds.load('huggingface:c4/en.noblocklist')
  • 설명 : 
A colossal, cleaned version of Common Crawl's web crawl corpus.

Based on Common Crawl dataset: "https://commoncrawl.org".

This is the processed version of Google's C4 dataset by AllenAI.
  • 라이센스 : 알려진 라이센스 없음
  • 버전 : 0.0.0
  • 분할 :
나뉘다 예
'train' 393391519
'validation' 393226
  • 특징 : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

진짜 뉴스 같은

TFDS에 이 데이터세트를 로드하려면 다음 명령어를 사용하세요.

ds = tfds.load('huggingface:c4/realnewslike')
  • 설명 : 
A colossal, cleaned version of Common Crawl's web crawl corpus.

Based on Common Crawl dataset: "https://commoncrawl.org".

This is the processed version of Google's C4 dataset by AllenAI.
  • 라이센스 : 알려진 라이센스 없음
  • 버전 : 0.0.0
  • 분할 :
나뉘다 예
'train' 13799838
'validation' 13863
  • 특징 : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}

en.noclean

TFDS에 이 데이터세트를 로드하려면 다음 명령어를 사용하세요. 

ds = tfds.load('huggingface:c4/en.noclean')
  • 설명 : 
A colossal, cleaned version of Common Crawl's web crawl corpus.

Based on Common Crawl dataset: "https://commoncrawl.org".

This is the processed version of Google's C4 dataset by AllenAI.
  • 라이센스 : 알려진 라이센스 없음
  • 버전 : 0.0.0
  • 분할 :
나뉘다 예
'train' 1063805381
'validation' 1065029
  • 특징 : 
{
    "text": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "timestamp": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    },
    "url": {
        "dtype": "string",
        "id": null,
        "_type": "Value"
    }
}