Datasets:

facebook

/

voxpopuli

like 93

Follow

AI at Meta 3,429

I've tried loading the english train split on both my computer with a WSL machine and a docker container running on RunPod and both get stuck after downloading the data. I could get the french train split working on my side.
Downloading data: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.29k/1.29k [00:00<00:00, 16.8MB/s]
Downloading data: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 69.1M/69.1M [00:01<00:00, 57.3MB/s]
Downloading data: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 637k/637k [00:00<00:00, 5.59MB/s]
Downloading data: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 649k/649k [00:00<00:00, 5.49MB/s]

...
Downloading data: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.67G/1.67G [00:15<00:00, 105MB/s]
Downloading data: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 850M/850M [00:07<00:00, 113MB/s]
Downloading data: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 591M/591M [00:10<00:00, 55.6MB/s]
Downloading data: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 595M/595M [00:10<00:00, 55.4MB/s]

Stuck here.

train_dataset = load_dataset('facebook/voxpopuli', lang,
                       split='train',
                       trust_remote_code=False)