数据派THU转载

2020/11/03 10:54

神经小兮作者HyperAI超神经来源文婧编辑

包含近 20 万本图书，OpenAI 级别的训练数据集上线

这些数据集中共包含 196640 册纯文本数据，可以用于训练 GPT 等大型语言模型。

近日，机器学习社区的一篇资源热贴「用于训练 GPT 等大型语言模型的 196640 本纯文本书籍数据集」引发了热烈的讨论。

该数据集涵盖了截至 2020 年 9 月所有大型文本语料库的下载链接。除此之外，它还包含了所有的 bibliotik（一个线上图书资源库）中书籍的纯文本，以及大量用于训练的代码。

数据集中除文本数据外，还包含了 100GB 的训练代码

196640 册图书数据，训练你的 GPT

reddit 的机器学习社区上，网友 Shawn Presser 发布了一套纯文本数据集，得到一致好评。

这些数据集中共包含 196640 册纯文本数据，可以用于训练 GPT 等大型语言模型。

由于这套数据集包含多个数据集以及训练代码，我们在此不一一赘述，仅将其中的 books1 与 books3 数据集的具体信息列出：

图书纯文本数据集

发布作者：Shawn Presser

包含数量：books1：1800 册图书；book3：196640 册图书

数据格式：txt 格式

数据大小：books1：2.2 GB；books3：37 GB

更新时间：2020 年 10 月

下载地址：https://hyper.ai/datasets/13642

据数据集整理者 Shawn Presser 介绍，这些数据集的质量是非常高的，仅 books1 数据集，就花费了他大约一周的时间，对 epub2txt 脚本进行修复。

此外，他还表示，books3 数据集似乎与 OpenAI 的论文中神秘的「books2」数据集相似。但是，由于 OpenAI 并没有提供这方面的详细信息，所以也无法了解二者之间的任何差异。

不过，在他看来，这份数据集极其接近 GPT-3 的训练数据集。拥有它，下一步，你也可以训练出与 GPT-3 相匹敌的 NLP 语言模型，当然，还有一个条件是，你还需要准备足够的 GPU。

数据集中 books1 数据集部分内容示例

据介绍，books1 数据集中 1800 本图书文本数据，都来自于大型文本语料库 BookCorpus，其中包括诗歌类、小说类等。

比如美国作家 Kristie Lynn Higgins 的《Shades of Gray：Noir, City Shrouded By Darkness》（《灰色阴影：被黑暗笼罩的城市》）、Benjamin Broke 的《Animal Theater》（《动物剧院》）、T·I·韦德的《America One》（《美国一号》）等。

强大的 GPT-3 背后，训练数据集立功劳

关注自然语言处理领域的小伙伴都知道，今年 5 月，OpenAI 斥巨资打造的自然语言处理模型 GPT-3，凭借惊人的文本生成能力，在业界引起高度关注，并且一直以来热度不减。

GPT-3 不仅可以更好地答题、翻译、写文章，还带有一些数学计算的能力。而它之所以拥有这些强大的能力，离不开背后巨量的训练数据集。

GPT-3 训练数据集一览

据介绍，GPT-3 使用的训练数据集十分庞大，基于包含近 1 万亿单词量的 CommonCrawl 数据集、网络文本、数据、维基百科等数据，它使用的最大数据集在处理前容量达到了 45TB，其训练费用也达到惊人的 1200 万美元。

更大的训练数据集、更多的模型参数，让 GPT-3 在自然语言处理模型中一骑绝尘。

然而，对于普通开发者来说，想要训练出一流的语言模型，暂且不说高昂的训练成本，仅仅在训练数据集这一步，就会被卡住。

因此，Shawn Presser 带来的数据集无疑解决了这一难题，一些网友表示，这项工作他们节省了巨大的成本。

我们目前已经将 books1 数据集搬运至 https://hyper.ai，搜索关键词「书籍」或「文本」获取数据集。

其它数据集可从以下链接中获取：

books3 数据集下载地址：

https://the-eye.eu/public/AI/pile_preliminary_

components/books3.tar.gz

训练代码下载地址：

https://the-eye.eu/public/AI/pile_preliminary_

components/github.tar

reddit 原帖：

https://www.reddit.com/r/MachineLearning/comments/ji7y06/p_dataset_of_196640_books_in_plain_text_for/

THU数据派

THU数据派"基于清华，放眼世界"，以扎实的理工功底闯荡“数据江湖”。发布全球大数据资讯，定期组织线下活动，分享前沿产业动态。了解清华大数据，敬请关注姐妹号“数据派THU”。

工程OpenAI语言模型

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

自然语言处理技术

自然语言处理（英语：natural language processing，缩写作 NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

来源：维基百科

语言模型技术

语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。由于字词与句子都是任意组合的长度，因此在训练过的语言模型中会出现未曾出现的字串(资料稀疏的问题)，也使得在语料库中估算字串的机率变得很困难，这也是要使用近似的平滑n元语法(N-gram)模型之原因。

来源：维基百科

文本生成技术

文本生成是生成文本的任务，其目的是使人类书写文本难以区分。

来源：paperswithcode