Stacked Semisuperviser Autoencoders
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
- New York University (NYU),Microsoft
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 15 July 2008
- Autori
- MA Ranzato, M Szummer
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Document representation
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
- 3M
- Dati di addestramento
- tokens
"The 20 Newsgroups dataset contains 18845 postings taken from the Usenet newsgroup collection. Documents are partitioned into 20 topics. The dataset is split into 11314 training documents and 7531 test documents. Training and test articles are separated in time. Reuters has a predefined ModApte split of the data into 11413 training documents and 4024 test doc- uments. Documents belong to one of 91 topics. The Ohsumed dataset has 34389 documents with 30689 words and each document might be assigne…
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 243
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Semisupervised learning of compact document representations with deep networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Stacked Semisuperviser Autoencoders è stato pubblicato da New York University (NYU),Microsoft, nel paese registrato come United States of America, durante July 2008. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di document representation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
Stacked Semisuperviser Autoencoders — domande comuni
Stacked Semisuperviser Autoencoders— 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.
Stacked Semisuperviser Autoencoders— 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.
Stacked Semisuperviser Autoencoders— quanti parametri ha?
Ha un numero di parametri di 3M. 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.
Stacked Semisuperviser Autoencoders— chi l'ha creato?
È stato pubblicato da New York University (NYU),Microsoft, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
Stacked Semisuperviser Autoencoders— quando è stato rilasciato?
È stato pubblicato in July 2008. 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.
Stacked Semisuperviser Autoencoders— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di document representation. 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.
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.