Semi-Supervised Embedding for DL
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
- Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC)
- Tipo de Organización
- Industry,Industry,Academia,Academia
- País
- United States of America, Switzerland
- Publicado
- 5 July 2008
- Autores
- Jason Weston, Frederick, Ratle, Hossein Mobahi, Ronan Collobert
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Other
- Tarea
- Image classification, Language Structure Modeling, Text classification
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
- 632,000,000 tokens
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Unknown
- Citas
- 1,087
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Learning via Semi-Supervised Embedding
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Semi-Supervised Embedding for DL fue publicado por Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), en el país registrado como United States of America, durante July 2008. La categoría en la que se encuentra el editor es industry,Industry,Academia,Academia.
Funciona en el dominio de Other, y se registra como realizando la tarea de image classification, Language Structure Modeling, Text classification.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
El entrenamiento consumió un corpus de alrededor de 632,000,000 tokens de texto
Respuestas
Semi-Supervised Embedding for DL — preguntas comunes
Semi-Supervised Embedding for DL— ¿Quién lo creó?
Fue publicado por Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), basado en United States of America, una organización categorizada como industry,Industry,Academia,Academia.
Semi-Supervised Embedding for DL— ¿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.
Semi-Supervised Embedding for DL— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de image classification, Language Structure Modeling, Text classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Semi-Supervised Embedding for DL— ¿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.
Semi-Supervised Embedding for DL— ¿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.
Semi-Supervised Embedding for DL— ¿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.
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.