VDCNN (on Amazon Review Full dataset)
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
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
- Facebook AI Research,University of Le Mans
- Organisatietype
- Industry,Academia
- Land
- United States of America, France
- Gepubliceerd
- 27 January 2017
- Auteurs
- Alexis Conneau, Holger Schwenk, Loïc Barrault, Yann Lecun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Text classification
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.
- parameters
- 7.8M
- Training gegevens
- tokens
- Epochs
- 15
- Batchgrootte
- 128
7.8 M from Table 2.
Table 3: Amazon Review Full 3 000k
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
- 5.7 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Hardware
5050000000000 [peak FLOPs] * 15 [epochs] * 7 [h] * 3600 [s] * 0.3 [assumed utilization rate] = 5.7267e+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 K40s
- Gebruikte chips
- 1
- Stroomverbruik
- 282 W
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
- Very Deep Convolutional Networks for Text Classification
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Achtergrond
VDCNN (on Amazon Review Full dataset) werd gepubliceerd door Facebook AI Research,University of Le Mans, in het land geregistreerd als United States of America, tijdens January 2017. De publicerende organisatie is geclassificeerd als industry,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van text classification.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 5.7 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
VDCNN (on Amazon Review Full dataset) — veelgestelde vragen
VDCNN (on Amazon Review Full dataset)— wanneer is het uitgebracht?
Het werd gepubliceerd in January 2017. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
VDCNN (on Amazon Review Full dataset)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van text classification. 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.
VDCNN (on Amazon Review Full dataset)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.7 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. 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.
VDCNN (on Amazon Review Full dataset)— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
VDCNN (on Amazon Review Full dataset)— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
VDCNN (on Amazon Review Full dataset)— hoeveel parameters heeft het?
Het heeft een parameter telling van 7.8M. 7.8 M from Table 2. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
VDCNN (on Amazon Review Full dataset)— wie heeft het gemaakt?
Het werd gepubliceerd door Facebook AI Research,University of Le Mans, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
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.