Vector Space Model
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Stanford University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 19 June 2011
- Szerzők
- Andrew L. Maas, Raymond E. Daly, Peter T. Pham, Dan Huang, A. Ng, Christopher Potts
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Semantic embedding, Sentiment classification
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 255K
- Képzési adatok
- 5,650,000 tokens
"We build a fixed dictionary of the 5,000 most frequent tokens" "For all word vector models, we use 50-dimensional vectors" Parameters: 5000*50 + 5000=255000
"We train a variant of our model which uses 50,000 unlabeled reviews in addition to the labeled set of 25,000 reviews"
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Nyilvántartási bizalom
- Confident
"We evaluate the model using small, widely used sentiment and subjectivity corpora and find it out-performs several previously introduced methods for sentiment classification" " Table 2 shows classification performance on our subset of IMDB reviews. Our model showed superior performance to other approaches, and performed best when concatenated with bag of words representation. "
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Learning Word Vectors for Sentiment Analysis
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
Vector Space Model ki lett adva által Stanford University, az országban rögzítve mint United States of America, alatt June 2011. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása semantic embedding, Sentiment classification.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
A tanító készlet kb. futott 5,650,000 szöveg tokenjei
A kiválasztási kritériuma: highly cited,SOTA improvement.
Válaszok
Vector Space Model — gyakori kérdések
Vector Space Model— Mikor adták ki?
Kibocsátották a June 2011. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Vector Space Model— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot semantic embedding, Sentiment classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
Vector Space Model— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
Vector Space Model— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
Vector Space Model— Hány paramétere van?
Paraméterszáma 255K. "We build a fixed dictionary of the 5,000 most frequent tokens" "For all word vector models, we use 50-dimensional vectors" Parameters: 5000*50 + 5000=255000. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
Vector Space Model— Ki készítette ezt?
Kiadta Stanford University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..