2nd order FOFE-FNNLM
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
- University of Science and Technology of China (USTC),York University
- Tipo de Organización
- Academia,Academia
- País
- China, Canada
- Publicado
- 6 May 2015
- Autores
- Shiliang Zhang, Hui Jiang, Mingbin Xu, Junfeng Hou, Lirong Dai
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
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
- 6M
- Datos de entrenamiento
- tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 18
- Datos de referencia
- 2nd order FOFE-FNNLM
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A Fixed-Size Encoding Method for Variable-Length Sequences with its Application to Neural Network Language Models
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
2nd order FOFE-FNNLM fue publicado por University of Science and Technology of China (USTC),York University, en el país registrado como China, durante May 2015. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Respuestas
2nd order FOFE-FNNLM — preguntas comunes
2nd order FOFE-FNNLM— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 6M. 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.
2nd order FOFE-FNNLM— ¿Quién lo creó?
Fue publicado por University of Science and Technology of China (USTC),York University, basado en China, una organización categorizada como academia,Academia.
2nd order FOFE-FNNLM— ¿cuándo fue lanzado?
Se publicó en May 2015. 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.
2nd order FOFE-FNNLM— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
2nd order FOFE-FNNLM— ¿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.
2nd order FOFE-FNNLM— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.