VDCNN (on Amazon Review Full dataset)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Facebook AI Research,University of Le Mans
- Tipo de Organización
- Industry,Academia
- País
- United States of America, France
- Publicado
- 27 January 2017
- Autores
- Alexis Conneau, Holger Schwenk, Loïc Barrault, Yann Lecun
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Text classification
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 7.8M
- Datos de entrenamiento
- tokens
- Épocas
- 15
- Tamaño de lote
- 128
7.8 M from Table 2.
Table 3: Amazon Review Full 3 000k
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 5.7 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
5050000000000 [peak FLOPs] * 15 [epochs] * 7 [h] * 3600 [s] * 0.3 [assumed utilization rate] = 5.7267e+17
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K40s
- Chips utilizados
- 1
- Consumo de energía
- 282 W
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Very Deep Convolutional Networks for Text Classification
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
VDCNN (on Amazon Review Full dataset) fue publicado por Facebook AI Research,University of Le Mans, en el país registrado como United States of America, durante January 2017. La organización editora está clasificada como industry,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de text classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 5.7 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K40s. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
VDCNN (on Amazon Review Full dataset) — preguntas comunes
VDCNN (on Amazon Review Full dataset)— ¿cuándo fue lanzado?
Se publicó en January 2017. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
VDCNN (on Amazon Review Full dataset)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de text classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
VDCNN (on Amazon Review Full dataset)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.7 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K40s. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
VDCNN (on Amazon Review Full dataset)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
VDCNN (on Amazon Review Full dataset)— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
VDCNN (on Amazon Review Full dataset)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 7.8M. 7.8 M from Table 2. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
VDCNN (on Amazon Review Full dataset)— ¿Quién lo creó?
Fue publicado por Facebook AI Research,University of Le Mans, basado en United States of America, una organización categorizada como industry,Academia.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.