TransE
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
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
- Universite de Technologie de Compiègne – CNRS,Google
- Tipo di organizzazione
- Academia,Industry
- Paese
- France, United States of America
- Pubblicato
- 5 December 2013
- Autori
- Antoine Bordes, Nicolas Usunier, Alberto Garcia- Duran, Jason Weston, and Oksana Yakhnenko
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Entity embedding
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.
- parametri
- 942M
- Dati di addestramento
- 17,500,000 tokens
Based on the TransE architecture, the authors give a formula for how the model size scales with the dimensionality of the dataset. The model scale is proportional to: k*(n_e+n_r) where k is the embeddings dimension, n_e is the number of entities, and n_r is the number of relationships. They studied using the TransE model for two datasets: FB15k and FB1M. The FB15k model has 810000 parameters. FB15k has 14951 entities and 1345 relationships. FB1M has 1000000 entities and 23382 relationships. Th…
"it can be successfully trained on a large scale data set with 1M entities, 25k relationships and more than 17M training samples"
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
- 1.3 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
8 GPUs (they don't specify which, so I used the average for FP32 for 2017 from the write-up table) 8 hours 0.33 util rate
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Costo di calcolo
- $30
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited
- Record fiducia
- Speculative
- Citazioni
- 8,347
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Translating Embeddings for Modeling Multi- relational Data
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Da dove è venuto
TransE è stato pubblicato da Universite de Technologie de Compiègne – CNRS,Google, nel paese registrato come France, durante December 2013. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di entity embedding.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 1.3 × 10¹⁸ FLOP. 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 17,500,000 token di testo
Il suo criterio di inclusione: highly cited.
Risposte
TransE — domande comuni
TransE— quanti parametri ha?
Ha un numero di parametri di 942M. Based on the TransE architecture, the authors give a formula for how the model size scales with the dimensionality of the dataset. The model scale is proportional to: k*(n_e+n_r) where k is the embeddings dimension, n_e is the number of entities, and n_r is the number of relationships. They studied using the TransE model for two datasets: FB15k and FB1M. The FB15k model has 810000 parameters. FB15k has 14951 entities and 1345 relationships. FB1M has 1000000 entities and 23382 relationships. Therefore, the FB1M model will be bigger than the FB15k model by a factor of (23382e6)/(14951*1345) => N = 8.1e5 * (23382e6)/(14951*1345) = 942e6. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
TransE— chi l'ha creato?
È stato pubblicato da Universite de Technologie de Compiègne – CNRS,Google, basato su France, un'organizzazione categorizzata come academia,Industry.
TransE— quando è stato rilasciato?
È stato pubblicato in December 2013. 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.
TransE— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di entity embedding. 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.
TransE— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.3 × 10¹⁸ FLOP. 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.
TransE— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
TransE— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
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.