AdaRNN
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Beihang University
- Typ organizace
- Academia
- Země
- China
- Publikováno
- 1 June 2014
- Autoři
- Li Dong, Furu Wei, Chuanqi Tan, Duyu Tang, M. Zhou, Ke Xu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Sentiment classification
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 13K
- Výcviková data
- 6,248 tokens
D=25 "For recursive neural models, the dimension of word vector is set to 25, and f = tanh is used as the nonlinearity function. We employ 10 composition matrices in AdaRNN." Composition matrices: "W ∈ R D×2D is the composition matrix, and b is the bias vector." C=10 "We employ 10 composition matrices in AdaRNN." Combination matrix: "S ∈ R C×(2D+|e|) is the matrix used to determine which composition function we use, vl , vr are the left and right child vectors, and e are external feature vector.…
"Training data consists of 6,248 tweets,"
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- Highly cited
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Adaptive Recursive Neural Network for Target-dependent Twitter Sentiment Classification
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
AdaRNN byl zveřejněn Beihang University, v zemi zaznamenané jako China, během June 2014. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol sentiment classification.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Co bylo zapotřebí k jeho vybudování
Trénink spotřeboval korpus kolem 6,248 tokeny textu
Jeho kritérium zahrnutí: highly cited.
Odpovědi
AdaRNN — běžné otázky
AdaRNN— Kdy byl vydán?
Bylo to zveřejněno v June 2014. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
AdaRNN— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol sentiment classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
AdaRNN— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
AdaRNN— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
AdaRNN— kolik má parametrů?
Má počet parametrů 13K. D=25 "For recursive neural models, the dimension of word vector is set to 25, and f = tanh is used as the nonlinearity function. We employ 10 composition matrices in AdaRNN." Composition matrices: "W ∈ R D×2D is the composition matrix, and b is the bias vector." C=10 "We employ 10 composition matrices in AdaRNN." Combination matrix: "S ∈ R C×(2D+|e|) is the matrix used to determine which composition function we use, vl , vr are the left and right child vectors, and e are external feature vector. In this work, e is a one-hot binary feature vector which indicates what the dependency type is." |e| > 4: (see Figure 2) Weights: 10 * 25 * 50 + 10 * (50+4) =13040 (ignoring embedding to the 25 dimension embedding space). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
AdaRNN— Kdo to vytvořil?
Bylo to publikováno společností Beihang University, zakládající se na China, organizace zařazená jako academia.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.