code2vec
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Technion - Israel Institute of Technology,Facebook AI Research
- Tipo di organizzazione
- Academia,Industry
- Paese
- Israel, United States of America, France
- Pubblicato
- 30 October 2018
- Autori
- Uri Alon, Meital Zilberstein, Omer Levy, Eran Yahav
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 14,162,842 tokens
- Epoche
- 12
We used a data set of 10, 072 Java GitHub repositories, originally introduced by Alon et al. [2018]. In this dataset, the files from all the projects are shuffled and split to 14,162,842 training (66GB), 415, 046 validation and 413, 915 of test methods "the average method length is 7 lines" [of code]
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.2 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
8126000000000.000 * 36 * 3600 * 0.3 = 3.1593888e+17
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA Tesla K80
- Tempo di parete
- 36 hours
When training on a single Tesla K80 GPU, we achieve a training throughput of more than 1000 methods per second. Therefore, a single training epoch takes about 3 hours, and it takes about 1.5 days to completely train a model. 36/3 = 12 epochs
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
MIT License https://github.com/tech-srl/code2vec
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- code2vec: Learning Distributed Representations of Code
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
code2vec è stato pubblicato da Technion - Israel Institute of Technology,Facebook AI Research, nel paese registrato come Israel, durante October 2018. Esce da un'organizzazione categorizzata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 3.2 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K80. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 14,162,842 token di testo
Risposte
code2vec — domande comuni
code2vec— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
code2vec— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
code2vec— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.2 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K80. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
code2vec— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
code2vec— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
code2vec— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
code2vec— chi l'ha creato?
È stato pubblicato da Technion - Israel Institute of Technology,Facebook AI Research, basato su Israel, un'organizzazione categorizzata come academia,Industry.
code2vec— quando è stato rilasciato?
È stato pubblicato in October 2018. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.