Hugging Face's logo

Datasets:
erhwenkuo
/
firefly-train-chinese-zhtw

Tasks:
Text Generation
Modalities:
Text
Formats:
parquet
Languages:
Chinese
Size:
1M - 10M
Libraries:
Datasets
Dask
Dataset card Viewer Files Community
1
firefly-train-chinese-zhtw
File size: 2,718 Bytes 
e27766b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
bbfa58a
 
 
 
 
 
e27766b
 
 
bbfa58a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
 
---
dataset_info:
  features:
  - name: kind
    dtype: string
  - name: input
    dtype: string
  - name: target
    dtype: string
  splits:
  - name: train
    num_bytes: 1116720203
    num_examples: 1649399
  download_size: 800075000
  dataset_size: 1116720203
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
task_categories:
- text-generation
language:
- zh
size_categories:
- 1M<n<10M
---
# Dataset Card for "firefly-train-chinese-zhtw"

## 資料集摘要

本資料集主要是應用於專案：[Firefly（流螢）: 中文對話式大語言模型](https://github.com/yangjianxin1/Firefly) ，經過訓練後得到的模型 [firefly-1b4](https://huggingface.co/YeungNLP/firefly-bloom-1b4)。

[Firefly（流螢）: 中文對話式大語言模型]專案(https://github.com/yangjianxin1/Firefly)收集了 23 個常見的中文資料集，并且對於每種不同的 NLP 任務，由人工書寫若干種指令模板來保證資料的高品質與豐富度。

資料量為115萬 。數據分佈如下圖所示:

![task_distribution](task_distribution.png)

訓練資料集的 token 長度分佈如下圖所示，絕大部分資料的長度都小於 600:

![len_distribution.png](len_distribution.png)

原始資料來源:

- [YeungNLP/firefly-train-1.1M](https://huggingface.co/datasets/YeungNLP/firefly-train-1.1M)
- [Firefly(流萤): 中文对话式大语言模型](https://github.com/yangjianxin1/Firefly)

## 資料下載清理

1. 下載 chinese-poetry: 最全中文诗歌古典文集数据库 的 Repo
2. 使用 OpenCC 來進行簡繁轉換
3. 使用 Huggingface Datasets 來上傳至 Huggingface Hub

## 資料集結構

```json
{
  "kind": "ClassicalChinese",
  "input": "將下面句子翻譯成現代文：\n石中央又生一樹，高百餘尺，條幹偃陰為五色，翠葉如盤，花徑尺餘，色深碧，蕊深紅，異香成煙，著物霏霏。",
  "target": "大石的中央長著一棵樹，一百多尺高，枝幹是彩色的，樹葉有盤子那樣大，花的直徑有一尺寬，花瓣深藍色，花中飄出奇異的香氣籠罩著周圍，如煙似霧。"
}
```

## 資料欄位

- `kind`: (string) 任務類別
- `input`: (string) 任務輸入
- `target`: (string) 任務輸入目標

## 如何使用

```python
from datasets import load_dataset

dataset = load_dataset("erhwenkuo/firefly-train-chinese-zhtw", split="train")
```
## 許可資訊

資料來源未定義許可資訊

## 引用

```
@misc{Firefly,
  author = {Jianxin Yang},
  title = {Firefly(流萤): 中文对话式大语言模型},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/yangjianxin1/Firefly}},
}
```