TransE
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
- Universite de Technologie de Compiègne – CNRS,Google
- Tipo de Organización
- Academia,Industry
- País
- France, United States of America
- Publicado
- 5 December 2013
- Autores
- Antoine Bordes, Nicolas Usunier, Alberto Garcia- Duran, Jason Weston, and Oksana Yakhnenko
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Entity embedding
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
- 942M
- Datos de entrenamiento
- 17,500,000 tokens
Based on the TransE architecture, the authors give a formula for how the model size scales with the dimensionality of the dataset. The model scale is proportional to: k*(n_e+n_r) where k is the embeddings dimension, n_e is the number of entities, and n_r is the number of relationships. They studied using the TransE model for two datasets: FB15k and FB1M. The FB15k model has 810000 parameters. FB15k has 14951 entities and 1345 relationships. FB1M has 1000000 entities and 23382 relationships. Th…
"it can be successfully trained on a large scale data set with 1M entities, 25k relationships and more than 17M training samples"
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
- 1.3 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
8 GPUs (they don't specify which, so I used the average for FP32 for 2017 from the write-up table) 8 hours 0.33 util rate
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Costo de cómputo
- $30
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Speculative
- Citas
- 8,347
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Translating Embeddings for Modeling Multi- relational Data
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
TransE fue publicado por Universite de Technologie de Compiègne – CNRS,Google, en el país registrado como France, durante December 2013. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de entity embedding.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.3 × 10¹⁸ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 17,500,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
TransE — preguntas comunes
TransE— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 942M. Based on the TransE architecture, the authors give a formula for how the model size scales with the dimensionality of the dataset. The model scale is proportional to: k*(n_e+n_r) where k is the embeddings dimension, n_e is the number of entities, and n_r is the number of relationships. They studied using the TransE model for two datasets: FB15k and FB1M. The FB15k model has 810000 parameters. FB15k has 14951 entities and 1345 relationships. FB1M has 1000000 entities and 23382 relationships. Therefore, the FB1M model will be bigger than the FB15k model by a factor of (23382e6)/(14951*1345) => N = 8.1e5 * (23382e6)/(14951*1345) = 942e6. 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.
TransE— ¿Quién lo creó?
Fue publicado por Universite de Technologie de Compiègne – CNRS,Google, basado en France, una organización categorizada como academia,Industry.
TransE— ¿cuándo fue lanzado?
Se publicó en December 2013. 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.
TransE— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de entity embedding. 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.
TransE— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.3 × 10¹⁸ FLOP. 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.
TransE— ¿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.
TransE— ¿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.