Upload folder using huggingface_hub
Browse files- README.md +2 -2
- examples.json +204 -79
- tokenizer.json +0 -0
README.md
CHANGED
|
@@ -16,8 +16,8 @@ A Byte-Pair Encoding (BPE) tokenizer trained on Telugu text data from Wikipedia.
|
|
| 16 |
This tokenizer was trained on Telugu text data collected from Wikipedia articles. It uses Byte-Pair Encoding (BPE) to create subword tokens.
|
| 17 |
|
| 18 |
## Stats
|
| 19 |
-
- Vocabulary Size:
|
| 20 |
-
- Compression Ratio:
|
| 21 |
|
| 22 |
## Usage
|
| 23 |
|
|
|
|
| 16 |
This tokenizer was trained on Telugu text data collected from Wikipedia articles. It uses Byte-Pair Encoding (BPE) to create subword tokens.
|
| 17 |
|
| 18 |
## Stats
|
| 19 |
+
- Vocabulary Size: 50000 tokens
|
| 20 |
+
- Compression Ratio: 3.43
|
| 21 |
|
| 22 |
## Usage
|
| 23 |
|
examples.json
CHANGED
|
@@ -2,98 +2,223 @@
|
|
| 2 |
{
|
| 3 |
"text": "నమస్కారం",
|
| 4 |
"tokens": [
|
| 5 |
-
"
|
| 6 |
-
"
|
| 7 |
-
"
|
| 8 |
-
"
|
| 9 |
-
"à°¾",
|
| 10 |
-
"à°°",
|
| 11 |
-
"à°Ĥ"
|
| 12 |
],
|
| 13 |
"ids": [
|
| 14 |
-
|
| 15 |
-
|
| 16 |
-
|
| 17 |
-
|
| 18 |
-
|
| 19 |
-
|
| 20 |
-
181
|
| 21 |
-
]
|
| 22 |
},
|
| 23 |
{
|
| 24 |
"text": "తెలుగు భాష చాలా అందమైనది",
|
| 25 |
"tokens": [
|
| 26 |
-
"
|
| 27 |
-
"
|
| 28 |
-
"
|
| 29 |
-
"
|
| 30 |
-
"
|
| 31 |
-
"
|
| 32 |
-
"
|
| 33 |
-
"à°¾",
|
| 34 |
-
"à°·",
|
| 35 |
-
"Ġà°ļ",
|
| 36 |
-
"à°¾",
|
| 37 |
-
"à°²",
|
| 38 |
-
"à°¾",
|
| 39 |
-
"Ġà°ħ",
|
| 40 |
-
"à°Ĥ",
|
| 41 |
-
"దమ",
|
| 42 |
-
"à±Ī",
|
| 43 |
-
"నద",
|
| 44 |
-
"à°¿"
|
| 45 |
],
|
| 46 |
"ids": [
|
| 47 |
-
|
| 48 |
-
|
| 49 |
-
|
| 50 |
-
|
| 51 |
-
|
| 52 |
-
|
| 53 |
-
|
| 54 |
-
|
| 55 |
-
|
| 56 |
-
225,
|
| 57 |
-
179,
|
| 58 |
-
183,
|
| 59 |
-
179,
|
| 60 |
-
211,
|
| 61 |
-
181,
|
| 62 |
-
946,
|
| 63 |
-
213,
|
| 64 |
-
447,
|
| 65 |
-
178
|
| 66 |
-
]
|
| 67 |
},
|
| 68 |
{
|
| 69 |
"text": "భారతదేశం నా దేశం",
|
| 70 |
"tokens": [
|
| 71 |
-
"
|
| 72 |
-
"
|
| 73 |
-
"
|
| 74 |
-
"
|
| 75 |
-
"
|
| 76 |
-
|
| 77 |
-
|
| 78 |
-
|
| 79 |
-
|
| 80 |
-
|
| 81 |
-
|
| 82 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 83 |
],
|
| 84 |
"ids": [
|
| 85 |
-
|
| 86 |
-
|
| 87 |
-
|
| 88 |
-
|
| 89 |
-
|
| 90 |
-
|
| 91 |
-
|
| 92 |
-
|
| 93 |
-
|
| 94 |
-
|
| 95 |
-
|
| 96 |
-
|
| 97 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 98 |
}
|
| 99 |
]
|
|
|
|
| 2 |
{
|
| 3 |
"text": "నమస్కారం",
|
| 4 |
"tokens": [
|
| 5 |
+
"[CLS]",
|
| 6 |
+
"నమ",
|
| 7 |
+
"##స్కారం",
|
| 8 |
+
"[SEP]"
|
|
|
|
|
|
|
|
|
|
| 9 |
],
|
| 10 |
"ids": [
|
| 11 |
+
1,
|
| 12 |
+
4970,
|
| 13 |
+
20090,
|
| 14 |
+
2
|
| 15 |
+
],
|
| 16 |
+
"compression_ratio": 2.0
|
|
|
|
|
|
|
| 17 |
},
|
| 18 |
{
|
| 19 |
"text": "తెలుగు భాష చాలా అందమైనది",
|
| 20 |
"tokens": [
|
| 21 |
+
"[CLS]",
|
| 22 |
+
"తెలుగు",
|
| 23 |
+
"భాష",
|
| 24 |
+
"చాలా",
|
| 25 |
+
"అందమైన",
|
| 26 |
+
"##ది",
|
| 27 |
+
"[SEP]"
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 28 |
],
|
| 29 |
"ids": [
|
| 30 |
+
1,
|
| 31 |
+
1182,
|
| 32 |
+
1317,
|
| 33 |
+
1017,
|
| 34 |
+
7802,
|
| 35 |
+
265,
|
| 36 |
+
2
|
| 37 |
+
],
|
| 38 |
+
"compression_ratio": 3.4285714285714284
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 39 |
},
|
| 40 |
{
|
| 41 |
"text": "భారతదేశం నా దేశం",
|
| 42 |
"tokens": [
|
| 43 |
+
"[CLS]",
|
| 44 |
+
"భారతదేశం",
|
| 45 |
+
"నా",
|
| 46 |
+
"దేశం",
|
| 47 |
+
"[SEP]"
|
| 48 |
+
],
|
| 49 |
+
"ids": [
|
| 50 |
+
1,
|
| 51 |
+
2617,
|
| 52 |
+
447,
|
| 53 |
+
3029,
|
| 54 |
+
2
|
| 55 |
+
],
|
| 56 |
+
"compression_ratio": 3.2
|
| 57 |
+
},
|
| 58 |
+
{
|
| 59 |
+
"text": "తెలుగు సాహిత్యం చాలా సమృద్ధిగా ఉంది",
|
| 60 |
+
"tokens": [
|
| 61 |
+
"[CLS]",
|
| 62 |
+
"తెలుగు",
|
| 63 |
+
"సాహిత్యం",
|
| 64 |
+
"చాలా",
|
| 65 |
+
"సమృద్ధిగా",
|
| 66 |
+
"ఉంది",
|
| 67 |
+
"[SEP]"
|
| 68 |
],
|
| 69 |
"ids": [
|
| 70 |
+
1,
|
| 71 |
+
1182,
|
| 72 |
+
4357,
|
| 73 |
+
1017,
|
| 74 |
+
14475,
|
| 75 |
+
783,
|
| 76 |
+
2
|
| 77 |
+
],
|
| 78 |
+
"compression_ratio": 5.0
|
| 79 |
+
},
|
| 80 |
+
{
|
| 81 |
+
"text": "నేను తెలుగు భాషను ప్రేమిస్తున్నాను",
|
| 82 |
+
"tokens": [
|
| 83 |
+
"[CLS]",
|
| 84 |
+
"నేను",
|
| 85 |
+
"తెలుగు",
|
| 86 |
+
"భాషను",
|
| 87 |
+
"ప్రేమి",
|
| 88 |
+
"##స్తున్నాను",
|
| 89 |
+
"[SEP]"
|
| 90 |
+
],
|
| 91 |
+
"ids": [
|
| 92 |
+
1,
|
| 93 |
+
1929,
|
| 94 |
+
1182,
|
| 95 |
+
11472,
|
| 96 |
+
7466,
|
| 97 |
+
27949,
|
| 98 |
+
2
|
| 99 |
+
],
|
| 100 |
+
"compression_ratio": 4.857142857142857
|
| 101 |
+
},
|
| 102 |
+
{
|
| 103 |
+
"text": "తెలుగు భాష దక్షిణ భారతదేశంలోని ద్రావిడ భాషా కుటుంబానికి చెందిన భాష",
|
| 104 |
+
"tokens": [
|
| 105 |
+
"[CLS]",
|
| 106 |
+
"తెలుగు",
|
| 107 |
+
"భాష",
|
| 108 |
+
"దక్షిణ",
|
| 109 |
+
"భారతదేశంలోని",
|
| 110 |
+
"ద్రావిడ",
|
| 111 |
+
"భాషా",
|
| 112 |
+
"కుటుంబానికి",
|
| 113 |
+
"చెందిన",
|
| 114 |
+
"భాష",
|
| 115 |
+
"[SEP]"
|
| 116 |
+
],
|
| 117 |
+
"ids": [
|
| 118 |
+
1,
|
| 119 |
+
1182,
|
| 120 |
+
1317,
|
| 121 |
+
1619,
|
| 122 |
+
2821,
|
| 123 |
+
9963,
|
| 124 |
+
3168,
|
| 125 |
+
5282,
|
| 126 |
+
704,
|
| 127 |
+
1317,
|
| 128 |
+
2
|
| 129 |
+
],
|
| 130 |
+
"compression_ratio": 6.0
|
| 131 |
+
},
|
| 132 |
+
{
|
| 133 |
+
"text": "భారతదేశంలో తెలుగు మాట్లాడే ప్రజల సంఖ్య సుమారు 8 కోట్లు",
|
| 134 |
+
"tokens": [
|
| 135 |
+
"[CLS]",
|
| 136 |
+
"భారతదేశంలో",
|
| 137 |
+
"తెలుగు",
|
| 138 |
+
"మాట్లాడే",
|
| 139 |
+
"ప్రజల",
|
| 140 |
+
"సంఖ్య",
|
| 141 |
+
"సుమారు",
|
| 142 |
+
"[UNK]",
|
| 143 |
+
"కోట్లు",
|
| 144 |
+
"[SEP]"
|
| 145 |
+
],
|
| 146 |
+
"ids": [
|
| 147 |
+
1,
|
| 148 |
+
2305,
|
| 149 |
+
1182,
|
| 150 |
+
5302,
|
| 151 |
+
2498,
|
| 152 |
+
375,
|
| 153 |
+
2207,
|
| 154 |
+
0,
|
| 155 |
+
8404,
|
| 156 |
+
2
|
| 157 |
+
],
|
| 158 |
+
"compression_ratio": 5.4
|
| 159 |
+
},
|
| 160 |
+
{
|
| 161 |
+
"text": "తెలుగు భాష యొక్క చరిత్ర చాలా ప్రాచీనమైనది. ఈ భాష క్రీ.పూ. 1000 సంవత్సరాల నాటి ప్రాచీన తెలుగు లిపి నుండి వికసించింది. తెలుగు భాష యొక్క మొదటి శాసనం క్రీ.శ. 575 నాటిది.",
|
| 162 |
+
"tokens": [
|
| 163 |
+
"[CLS]",
|
| 164 |
+
"తెలుగు",
|
| 165 |
+
"భాష",
|
| 166 |
+
"యొక్క",
|
| 167 |
+
"చరిత్ర",
|
| 168 |
+
"చాలా",
|
| 169 |
+
"ప్రాచీన",
|
| 170 |
+
"##మ���నది.",
|
| 171 |
+
"ఈ",
|
| 172 |
+
"భాష",
|
| 173 |
+
"క్రీ.పూ.",
|
| 174 |
+
"[UNK]",
|
| 175 |
+
"సంవత్సరాల",
|
| 176 |
+
"నాటి",
|
| 177 |
+
"ప్రాచీన",
|
| 178 |
+
"తెలుగు",
|
| 179 |
+
"లిపి",
|
| 180 |
+
"నుండి",
|
| 181 |
+
"వికసించింది.",
|
| 182 |
+
"తెలుగు",
|
| 183 |
+
"భాష",
|
| 184 |
+
"యొక్క",
|
| 185 |
+
"మొదటి",
|
| 186 |
+
"శాసనం",
|
| 187 |
+
"క్రీ.శ.",
|
| 188 |
+
"[UNK]",
|
| 189 |
+
"నాటిది.",
|
| 190 |
+
"[SEP]"
|
| 191 |
+
],
|
| 192 |
+
"ids": [
|
| 193 |
+
1,
|
| 194 |
+
1182,
|
| 195 |
+
1317,
|
| 196 |
+
867,
|
| 197 |
+
1270,
|
| 198 |
+
1017,
|
| 199 |
+
3745,
|
| 200 |
+
4384,
|
| 201 |
+
16,
|
| 202 |
+
1317,
|
| 203 |
+
8068,
|
| 204 |
+
0,
|
| 205 |
+
1524,
|
| 206 |
+
3164,
|
| 207 |
+
3745,
|
| 208 |
+
1182,
|
| 209 |
+
14101,
|
| 210 |
+
198,
|
| 211 |
+
43698,
|
| 212 |
+
1182,
|
| 213 |
+
1317,
|
| 214 |
+
867,
|
| 215 |
+
932,
|
| 216 |
+
10531,
|
| 217 |
+
38147,
|
| 218 |
+
0,
|
| 219 |
+
23708,
|
| 220 |
+
2
|
| 221 |
+
],
|
| 222 |
+
"compression_ratio": 5.892857142857143
|
| 223 |
}
|
| 224 |
]
|
tokenizer.json
CHANGED
|
The diff for this file is too large to render.
See raw diff
|
|
|