Paragraph Vector
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
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 14 May 2014
- Auteurs
- Quoc V. Le, Tomas Mikolov
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.
- paramètres
- 32M
- Données d'entraînement
- 16,500,000 tokens
75000*400+5000*400=32000000 "We learn the word vectors and paragraph vectors using 75,000 training documents" "In PV-DM, the learned vector representations have 400 dimensions for both words and documents" Paragraph embedding of dimension number of paragraphs * embedding size Word embedding of dimension |V|*embedding size Assuming vocabulary of 5000 since results are compared directly to Maas et. al., 2011
"25,000 labeled training instances, 25,000 labeled test in- stances and 50,000 unlabeled training instances."
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
- Distributed Representations of Sentences and Documents
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Paragraph Vector a été publié par Google, dans le pays enregistré comme United States of America, durant May 2014. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Comment il a été entraîné
L'entraînement a consommé un corpus d'environ 16,500,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited.
Réponses
Paragraph Vector — questions courantes
Paragraph Vector— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 32M. 75000*400+5000*400=32000000 "We learn the word vectors and paragraph vectors using 75,000 training documents" "In PV-DM, the learned vector representations have 400 dimensions for both words and documents" Paragraph embedding of dimension number of paragraphs * embedding size Word embedding of dimension |V|*embedding size Assuming vocabulary of 5000 since results are compared directly to Maas et. al., 2011. 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.
Paragraph Vector— qui l'a créé ?
Il a été publié par Google, basé sur United States of America, une organisation catégorisée comme industry.
Paragraph Vector— quand a-t-il été publié ?
Il a été publié dans May 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.
Paragraph Vector— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Paragraph Vector— 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.
Paragraph Vector— 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.
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.