HyperAI
Command Palette
Search for a command to run...
LCC Java 大規模コードベースデータセット
LCC Java は、2023 年に Microsoft が公開した Java コードデータセットです。The Large Code Corpus(LCC)プロジェクトに由来し、コード理解、コード生成、コード補完などのタスク向けに高品質なコードコーパスを提供することを目的としています。
このデータセットには 120,000 件の Java コードサンプルが含まれており、データはオープンソースプロジェクトの実際の Java ソースコードから取得されています。また、訓練用データセット、検証用データセット、テスト用データセットに分割されています。各サンプルには主にコンテキストコードと対応するターゲットコードスニペットが含まれており、JSON 形式で格納されています。これらは、コード関連モデルの教師あり学習やシーケンスツーシーケンス(Seq2Seq)学習に使用できます。
データセットの構成
データセットは以下の 3 つの部分で構成されています:
- 訓練用データセット(train):100,000 件のサンプル、約 1.61 GB。
- 検証用データセット(validation):10,000 件のサンプル、約 131 MB。
- テスト用データセット(test):10,000 件のサンプル、約 129 MB。
各サンプルには主に以下のフィールドが含まれます:
- context:コンテキストコード。モデルにコードの背景情報を提供します。
- gt:ターゲットコードスニペット。モデルが予測または生成すべきコードです。
このデータセットはコミュニティユーザーによって提供されており、教育および情報提供のみを目的としています。著作権侵害に関わるコンテンツがある場合は、[email protected]までご連絡ください。速やかに確認し、削除いたします。