包含近 20 万本图书，OpenAI 级别的训练数据集上线

HyperAI超神经

发布于 2020-10-30 11:13:32

9320

发布于 2020-10-30 11:13:32

文章被收录于专栏：HyperAI超神经

了By 超神经

内容提要：你是否也想要像 OpenAI 一样，训练出强大的 GPT 模型，但是却苦于没有足够的训练数据集？近期，reddit 社区的一位网友上传了一个纯文本数据集，包含近 20 万本书籍，训练出一流的 GPT 模型不再是梦。

关键词：自然语言处理纯文本数据集

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

就在昨天，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。