Stacked Semisuperviser Autoencoders
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
- New York University (NYU),Microsoft
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 15 July 2008
- Autores
- MA Ranzato, M Szummer
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Document representation
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
- 3M
- Datos de entrenamiento
- tokens
"The 20 Newsgroups dataset contains 18845 postings taken from the Usenet newsgroup collection. Documents are partitioned into 20 topics. The dataset is split into 11314 training documents and 7531 test documents. Training and test articles are separated in time. Reuters has a predefined ModApte split of the data into 11413 training documents and 4024 test doc- uments. Documents belong to one of 91 topics. The Ohsumed dataset has 34389 documents with 30689 words and each document might be assigne…
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 243
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Semisupervised learning of compact document representations with deep networks
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Stacked Semisuperviser Autoencoders fue publicado por New York University (NYU),Microsoft, en el país registrado como United States of America, durante July 2008. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de document representation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
Stacked Semisuperviser Autoencoders — preguntas comunes
Stacked Semisuperviser Autoencoders— ¿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.
Stacked Semisuperviser Autoencoders— ¿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.
Stacked Semisuperviser Autoencoders— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3M. 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.
Stacked Semisuperviser Autoencoders— ¿Quién lo creó?
Fue publicado por New York University (NYU),Microsoft, basado en United States of America, una organización categorizada como academia,Industry.
Stacked Semisuperviser Autoencoders— ¿cuándo fue lanzado?
Se publicó en July 2008. 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.
Stacked Semisuperviser Autoencoders— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de document representation. 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.
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.