VDCNN (on Amazon Review Full dataset)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Facebook AI Research,University of Le Mans
- Organisationsart
- Industry,Academia
- Land
- United States of America, France
- Veröffentlicht
- 27 January 2017
- Autoren
- Alexis Conneau, Holger Schwenk, Loïc Barrault, Yann Lecun
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Text classification
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 7.8M
- Trainingsdaten
- tokens
- Epochen
- 15
- Batch-Größe
- 128
7.8 M from Table 2.
Table 3: Amazon Review Full 3 000k
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 5.7 × 10¹⁷ FLOP
- Wie es etabliert wurde
- Hardware
5050000000000 [peak FLOPs] * 15 [epochs] * 7 [h] * 3600 [s] * 0.3 [assumed utilization rate] = 5.7267e+17
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA Tesla K40s
- Verwendete Chips
- 1
- Stromverbrauch
- 282 W
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Very Deep Convolutional Networks for Text Classification
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Hintergrund
VDCNN (on Amazon Review Full dataset) wurde veröffentlicht von Facebook AI Research,University of Le Mans, im Land aufgezeichnet als United States of America, während January 2017. Die veröffentlichende Organisation ist als industry,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet text classification.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Was in den Aufbau geflossen ist
Der Trainingslauf verbrauchte etwa 5.7 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Tesla K40s. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
VDCNN (on Amazon Review Full dataset) — Häufige Fragen
VDCNN (on Amazon Review Full dataset)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in January 2017. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
VDCNN (on Amazon Review Full dataset)— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von text classification. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
VDCNN (on Amazon Review Full dataset)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5.7 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Tesla K40s. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
VDCNN (on Amazon Review Full dataset)— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
VDCNN (on Amazon Review Full dataset)— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
VDCNN (on Amazon Review Full dataset)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 7.8M. 7.8 M from Table 2. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
VDCNN (on Amazon Review Full dataset)— Wer hat es erstellt?
Es wurde veröffentlicht von Facebook AI Research,University of Le Mans, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.