Semi-Supervised Embedding for DL
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
- Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC)
- Tipo di organizzazione
- Industry,Industry,Academia,Academia
- Paese
- United States of America, Switzerland
- Pubblicato
- 5 July 2008
- Autori
- Jason Weston, Frederick, Ratle, Hossein Mobahi, Ronan Collobert
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Other
- Compito
- Image classification, Language Structure Modeling, Text classification
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
- 632,000,000 tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Unknown
- Citazioni
- 1,087
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Deep Learning via Semi-Supervised Embedding
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
Semi-Supervised Embedding for DL è stato pubblicato da Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), nel paese registrato come United States of America, durante July 2008. La categoria sotto cui rientra l'editore è industry,Industry,Academia,Academia.
Funziona nel dominio di Other, ed è registrato come eseguire il compito di image classification, Language Structure Modeling, Text classification.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
L'addestramento ha consumato un corpus di circa 632,000,000 token di testo
Risposte
Semi-Supervised Embedding for DL — domande comuni
Semi-Supervised Embedding for DL— chi l'ha creato?
È stato pubblicato da Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), basato su United States of America, un'organizzazione categorizzata come industry,Industry,Academia,Academia.
Semi-Supervised Embedding for DL— 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.
Semi-Supervised Embedding for DL— A cosa serve?
Funziona nel dominio di Other, e viene registrato come gestire il compito di image classification, Language Structure Modeling, Text classification. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Semi-Supervised Embedding for DL— 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.
Semi-Supervised Embedding for DL— 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.
Semi-Supervised Embedding for DL— 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.
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.