AdaRNN
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
- Beihang University
- Type d'organisation
- Academia
- Pays
- China
- Publié
- 1 June 2014
- Auteurs
- Li Dong, Furu Wei, Chuanqi Tan, Duyu Tang, M. Zhou, Ke Xu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Sentiment 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
- 13K
- Données d'entraînement
- 6,248 tokens
D=25 "For recursive neural models, the dimension of word vector is set to 25, and f = tanh is used as the nonlinearity function. We employ 10 composition matrices in AdaRNN." Composition matrices: "W ∈ R D×2D is the composition matrix, and b is the bias vector." C=10 "We employ 10 composition matrices in AdaRNN." Combination matrix: "S ∈ R C×(2D+|e|) is the matrix used to determine which composition function we use, vl , vr are the left and right child vectors, and e are external feature vector.…
"Training data consists of 6,248 tweets,"
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.
- Pourquoi c'est suivi
- Highly cited
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Adaptive Recursive Neural Network for Target-dependent Twitter Sentiment Classification
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
AdaRNN a été publié par Beihang University, dans le pays enregistré comme China, durant June 2014. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de sentiment classification.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé un corpus d'environ 6,248 jetons de texte
Son critère d'inclusion : highly cited.
Réponses
AdaRNN — questions courantes
AdaRNN— quand a-t-il été publié ?
Il a été publié dans June 2014. 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.
AdaRNN— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de sentiment 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.
AdaRNN— 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.
AdaRNN— 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.
AdaRNN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 13K. D=25 "For recursive neural models, the dimension of word vector is set to 25, and f = tanh is used as the nonlinearity function. We employ 10 composition matrices in AdaRNN." Composition matrices: "W ∈ R D×2D is the composition matrix, and b is the bias vector." C=10 "We employ 10 composition matrices in AdaRNN." Combination matrix: "S ∈ R C×(2D+|e|) is the matrix used to determine which composition function we use, vl , vr are the left and right child vectors, and e are external feature vector. In this work, e is a one-hot binary feature vector which indicates what the dependency type is." |e| > 4: (see Figure 2) Weights: 10 * 25 * 50 + 10 * (50+4) =13040 (ignoring embedding to the 25 dimension embedding space). 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.
AdaRNN— qui l'a créé ?
Il a été publié par Beihang University, basé sur China, une organisation catégorisée comme 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.