DeViSE
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Tipo de organización
- Industry
- País
- United States of America
- Publicado
- 5 December 2013
- Authors
- Andrea Frome, G. Corrado, Jonathon Shlens, Samy Bengio, J. Dean, Marc'Aurelio Ranzato, Tomas Mikolov
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Semantic embedding
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 5,401,200,000 tokens
"We trained a skip-gram text model on a corpus of 5.7 million documents (5.4 billion words) " Additionally, an image model component is trained on ImageNet (1.2M images)
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- Highly cited,SOTA improvement
- Registrar confianza
- Confident
" We demonstrate that this model matches state-of-the-art performance on the 1000-class ImageNet object recognition challenge while making more semantically reasonable errors, and also show that the semantic information can be exploited to make predictions about tens of thousands of image labels not observed during training." not absolute SOTA
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- DeViSE: A Deep Visual-Semantic Embedding Model
- Última actualización
- 28 November 2025
Qué significan los números
Where it came from
DeViSE was published by Google, in United States of America, in December 2013. The organisation is categorised as industry.
It works in Vision, and is recorded as doing semantic embedding.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
The training set ran to roughly 5,401,200,000 tokens.
It is tracked in the underlying dataset for one reason in particular: highly cited,SOTA improvement.
Respuestas
DeViSE — Preguntas frecuentes
¿Quién creó DeViSE?
DeViSE was published by Google, based in United States of America, categorised as industry.
When was DeViSE released?
DeViSE was published in December 2013. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DeViSE used for?
DeViSE works in Vision, and is recorded as handling semantic embedding. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run DeViSE?
None. DeViSE is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DeViSE open source?
The licensing for DeViSE was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DeViSE have?
No parameter count has been published for DeViSE, which is why no memory or speed figure appears on this page.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.