VDCNN (on Amazon Review Full dataset)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
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
- Facebook AI Research,University of Le Mans
- Type d'organisation
- Industry,Academia
- Pays
- United States of America, France
- Publié
- 27 January 2017
- Auteurs
- Alexis Conneau, Holger Schwenk, Loïc Barrault, Yann Lecun
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Text classification
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.
- paramètres
- 7.8M
- Données d'entraînement
- tokens
- Époques
- 15
- Taille de lot
- 128
7.8 M from Table 2.
Table 3: Amazon Review Full 3 000k
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
- 5.7 × 10¹⁷ FLOP
- Comment cela a été établi
- Hardware
5050000000000 [peak FLOPs] * 15 [epochs] * 7 [h] * 3600 [s] * 0.3 [assumed utilization rate] = 5.7267e+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 K40s
- Chips utilisés
- 1
- Consommation d'énergie
- 282 W
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
- Very Deep Convolutional Networks for Text Classification
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
VDCNN (on Amazon Review Full dataset) a été publié par Facebook AI Research,University of Le Mans, dans le pays enregistré comme United States of America, durant January 2017. L'organisation de publication est catégorisée comme industry,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de text classification.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 5.7 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K40s. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
VDCNN (on Amazon Review Full dataset) — questions courantes
VDCNN (on Amazon Review Full dataset)— quand a-t-il été publié ?
Il a été publié dans January 2017. 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.
VDCNN (on Amazon Review Full dataset)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de text classification. 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.
VDCNN (on Amazon Review Full dataset)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.7 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K40s. 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.
VDCNN (on Amazon Review Full dataset)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
VDCNN (on Amazon Review Full dataset)— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
VDCNN (on Amazon Review Full dataset)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 7.8M. 7.8 M from Table 2. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
VDCNN (on Amazon Review Full dataset)— qui l'a créé ?
Il a été publié par Facebook AI Research,University of Le Mans, basé sur United States of America, une organisation catégorisée comme industry,Academia.
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.