Fragment embedding
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
- Stanford University
- Organisationsart
- Academia
- Land
- United States of America
- Veröffentlicht
- 21 June 2014
- Autoren
- A. Karpathy, Armand Joulin, Li Fei-Fei
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Entity embedding, Semantic segmentation
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
- 144.5M
- Trainingsdaten
- 15,000,000 tokens
- Epochen
- 20
Model contains a word embedding. a matrix combining two word embeddings, and image embedding (built upon a pretrained RCNN image model. Word embedding: 400000 * 200 =80000000 ("Here, We is a d × 400, 000 matrix that encodes a 1-of-k vector into a d-dimensional word vector representation (we use d = 200)." Embedding dimension: 1000 ("The size of the embedded space is cross-validated, and we found that values of approximately 1000 generally work well." Word combination matrix: 400* 1000=400000 Ima…
Largest experiment uses 30000 training images, 30000 * 5 = 150,000 sentences
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
"Extensive experimental evaluation shows that reasoning on both the global level of images and sentences and the finer level of their respective fragments significantly improves performance on image-sentence retrieval tasks."
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Deep Fragment Embeddings for Bidirectional Image Sentence Mapping
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Fragment embedding wurde veröffentlicht von Stanford University, im Land aufgezeichnet als United States of America, während June 2014. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet entity embedding, Semantic segmentation.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Der Trainingssatz lief auf etwa 15,000,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: sOTA improvement.
Antworten
Fragment embedding — Häufige Fragen
Fragment embedding— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 144.5M. Model contains a word embedding. a matrix combining two word embeddings, and image embedding (built upon a pretrained RCNN image model. Word embedding: 400000 * 200 =80000000 ("Here, We is a d × 400, 000 matrix that encodes a 1-of-k vector into a d-dimensional word vector representation (we use d = 200)." Embedding dimension: 1000 ("The size of the embedded space is cross-validated, and we found that values of approximately 1000 generally work well." Word combination matrix: 400* 1000=400000 Image embedding: 4096*1000=4096000 ("We use the Caffe [41] implementation of the ImageNet Detection RCNN model [27] to detect objects in all images. On our machine with a Tesla K40 GPU, the RCNN processes one image in approximately 25 seconds. We discard the predictions for 200 ImageNet detection classes and only keep the 4096-D activations") CNN: 60,000,000 "The CNN architecture is identical to the one described in Girhsick et al. [26]. It contains approximately 60 million parameters" Total parameters: 4096000+80000000+400000+60000000=144,496,000. 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.
Fragment embedding— Wer hat es erstellt?
Es wurde veröffentlicht von Stanford University, basiert auf United States of America, eine als kategorisierte Organisation academia.
Fragment embedding— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2014. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Fragment embedding— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von entity embedding, Semantic segmentation. 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.
Fragment embedding— 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.
Fragment embedding— 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.
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.