Hugging Face 发布 Pile-small-tokenized-2B 数据集, 应用在 自然语言处理、机器学习 领域

Hugging Face 本次发布的数据集 Pile-small-tokenized-2B, 该数据集是对Pile数据集进行了预分词处理的版本，其上下文大小设置为1024。此外，该数据集被用于在Pythia-160M模型的残差流上训练稀疏自编码器（SAEs）。其规模达到了20亿个标记。任务的目的是训练稀疏自编码器（SAEs）。

查看Pile-small-tokenized-2B

Dataset card 内容： 

Files and versions 内容： 

关于 Hugging Face , Hugging Face是一家专注于自然语言处理和人工智能领域的公司，提供丰富的预训练模型和工具，支持开发者在NLP任务中快速构建和部署高效的解决方案。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。