code2vec
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Technion - Israel Institute of Technology,Facebook AI Research
- Type d'organisation
- Academia,Industry
- Pays
- Israel, United States of America, France
- Publié
- 30 October 2018
- Auteurs
- Uri Alon, Meital Zilberstein, Omer Levy, Eran Yahav
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 14,162,842 tokens
- Époques
- 12
We used a data set of 10, 072 Java GitHub repositories, originally introduced by Alon et al. [2018]. In this dataset, the files from all the projects are shuffled and split to 14,162,842 training (66GB), 415, 046 validation and 413, 915 of test methods "the average method length is 7 lines" [of code]
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.2 × 10¹⁷ FLOP
- Comment cela a été établi
- Hardware
8126000000000.000 * 36 * 3600 * 0.3 = 3.1593888e+17
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA Tesla K80
- Temps en temps réel
- 36 hours
When training on a single Tesla K80 GPU, we achieve a training throughput of more than 1000 methods per second. Therefore, a single training epoch takes about 3 hours, and it takes about 1.5 days to completely train a model. 36/3 = 12 epochs
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Open source
MIT License https://github.com/tech-srl/code2vec
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- code2vec: Learning Distributed Representations of Code
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
code2vec a été publié par Technion - Israel Institute of Technology,Facebook AI Research, dans le pays enregistré comme Israel, durant October 2018. Cela provient d'une organisation classée comme academia,Industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 3.2 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 14,162,842 jetons de texte
Réponses
code2vec — questions courantes
code2vec— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
code2vec— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
code2vec— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.2 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
code2vec— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
code2vec— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
code2vec— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
code2vec— qui l'a créé ?
Il a été publié par Technion - Israel Institute of Technology,Facebook AI Research, basé sur Israel, une organisation catégorisée comme academia,Industry.
code2vec— quand a-t-il été publié ?
Il a été publié dans October 2018. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.