Recursive Neural Network
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
- 28 June 2011
- Autoren
- R. Socher, Cliff Chiung-Yu Lin, A. Ng, Christopher D. Manning
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision, Language
- Aufgabe
- Representation learning
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.
- Trainingsdaten
- 573,285 tokens
Full WSJ dataset: 1000000 words (https://catalog.ldc.upenn.edu/LDC99T42) Using 20 out of 24 splits for training: 1000000*(20/24)=833333.333
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
- Highly cited
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Parsing natural scenes and natural language with recursive neural networks
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
Recursive Neural Network wurde veröffentlicht von Stanford University, im Land aufgezeichnet als United States of America, während June 2011. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Vision, Language, und wird als die Aufgabe von aufgezeichnet representation learning.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Training und Herkunft
Der Trainingssatz lief auf etwa 573,285 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: highly cited.
Antworten
Recursive Neural Network — Häufige Fragen
Recursive Neural Network— 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.
Recursive Neural Network— 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.
Recursive Neural Network— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Recursive Neural Network— Wer hat es erstellt?
Es wurde veröffentlicht von Stanford University, basiert auf United States of America, eine als kategorisierte Organisation academia.
Recursive Neural Network— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2011. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Recursive Neural Network— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, Language, und wird als Bewältigung der Aufgabe von representation learning. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
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.