Recursive Neural Network
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
- 28 June 2011
- Autores
- R. Socher, Cliff Chiung-Yu Lin, A. Ng, Christopher D. Manning
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Language
- Tarea
- Representation learning
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.
- Datos de entrenamiento
- 573,285 tokens
Full WSJ dataset: 1000000 words (https://catalog.ldc.upenn.edu/LDC99T42) Using 20 out of 24 splits for training: 1000000*(20/24)=833333.333
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
- Highly cited
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Parsing natural scenes and natural language with recursive neural networks
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Recursive Neural Network fue publicado por Stanford University, en el país registrado como United States of America, durante June 2011. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, Language, y se registra como realizando la tarea de representation learning.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
El conjunto de entrenamiento se ejecutó a aproximadamente 573,285 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Recursive Neural Network — preguntas comunes
Recursive Neural Network— ¿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.
Recursive Neural Network— ¿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.
Recursive Neural Network— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Recursive Neural Network— ¿Quién lo creó?
Fue publicado por Stanford University, basado en United States of America, una organización categorizada como academia.
Recursive Neural Network— ¿cuándo fue lanzado?
Se publicó en June 2011. 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.
Recursive Neural Network— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Language, y se registra como manejando la tarea de representation learning. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.