Fragment embedding
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
- Stanford University
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 21 June 2014
- Autores
- A. Karpathy, Armand Joulin, Li Fei-Fei
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Entity embedding, Semantic segmentation
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
- 144.5M
- Datos de entrenamiento
- 15,000,000 tokens
- Épocas
- 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
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- 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."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Fragment Embeddings for Bidirectional Image Sentence Mapping
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Fragment embedding fue publicado por Stanford University, en el país registrado como United States of America, durante June 2014. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de entity embedding, Semantic segmentation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 15,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
Fragment embedding — preguntas comunes
Fragment embedding— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 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. 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.
Fragment embedding— ¿Quién lo creó?
Fue publicado por Stanford University, basado en United States of America, una organización categorizada como academia.
Fragment embedding— ¿cuándo fue lanzado?
Se publicó en June 2014. 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.
Fragment embedding— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de entity embedding, Semantic segmentation. 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.
Fragment embedding— ¿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.
Fragment embedding— ¿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.
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.