DeViSE
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Szervezet típusa
- Industry
- Ország
- United States of America
- Kiadva
- 5 December 2013
- Szerzők
- Andrea Frome, G. Corrado, Jonathon Shlens, Samy Bengio, J. Dean, Marc'Aurelio Ranzato, Tomas Mikolov
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Vision
- Feladat
- Semantic embedding
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Képzési adatok
- 5,401,200,000 tokens
"We trained a skip-gram text model on a corpus of 5.7 million documents (5.4 billion words) " Additionally, an image model component is trained on ImageNet (1.2M images)
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Rögzítési bizalom
- Confident
" We demonstrate that this model matches state-of-the-art performance on the 1000-class ImageNet object recognition challenge while making more semantically reasonable errors, and also show that the semantic information can be exploited to make predictions about tens of thousands of image labels not observed during training." not absolute SOTA
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- DeViSE: A Deep Visual-Semantic Embedding Model
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Where it came from
DeViSE was published by Google, in United States of America, in December 2013. The organisation is categorised as industry.
It works in Vision, and is recorded as doing semantic embedding.
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Mi került a megépítésébe
The training set ran to roughly 5,401,200,000 tokens.
It is tracked in the underlying dataset for one reason in particular: highly cited,SOTA improvement.
Válaszok
DeViSE — Gyakran ismételt kérdések
Who created DeViSE?
DeViSE was published by Google, based in United States of America, categorised as industry.
When was DeViSE released?
DeViSE was published in December 2013. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DeViSE used for?
DeViSE works in Vision, and is recorded as handling semantic embedding. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run DeViSE?
None. DeViSE is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DeViSE open source?
The licensing for DeViSE was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DeViSE have?
No parameter count has been published for DeViSE, which is why no memory or speed figure appears on this page.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.