包含近 20 万本图书，OpenAI 级别的训练数据集上线

大数据文摘授权转载自HyperAI超神经

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。

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：

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。

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。

超神经目前已经将 books1 数据集搬运至 https://hyper.ai，搜索关键词「书籍」或「文本」，或点击原文获取数据集。

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/

实习/全职编辑记者招聘ing

加入我们，亲身体验一家专业科技媒体采写的每个细节，在最有前景的行业，和一群遍布全球最优秀的人一起成长。坐标北京·清华东门，在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn

点「在看」的人都变好看了哦！

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/