code2vec
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Technion - Israel Institute of Technology,Facebook AI Research
- Organisatietype
- Academia,Industry
- Land
- Israel, United States of America, France
- Gepubliceerd
- 30 October 2018
- Auteurs
- Uri Alon, Meital Zilberstein, Omer Levy, Eran Yahav
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 14,162,842 tokens
- Epochs
- 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]
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.2 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Hardware
8126000000000.000 * 36 * 3600 * 0.3 = 3.1593888e+17
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla K80
- Kloktijd
- 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
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Open source
MIT License https://github.com/tech-srl/code2vec
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- code2vec: Learning Distributed Representations of Code
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
code2vec werd gepubliceerd door Technion - Israel Institute of Technology,Facebook AI Research, in het land geregistreerd als Israel, tijdens October 2018. Het komt uit een organisatie gecategoriseerd als academia,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.2 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Tesla K80. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 14,162,842 tekstokens
Antwoorden
code2vec — veelgestelde vragen
code2vec— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
code2vec— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
code2vec— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.2 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Tesla K80. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
code2vec— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
code2vec— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
code2vec— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
code2vec— wie heeft het gemaakt?
Het werd gepubliceerd door Technion - Israel Institute of Technology,Facebook AI Research, gebaseerd op Israel, een organisatie geclassificeerd als academia,Industry.
code2vec— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.