Paragraph Vector
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 14 May 2014
- Auteurs
- Quoc V. Le, Tomas Mikolov
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.
- parameters
- 32M
- Training gegevens
- 16,500,000 tokens
75000*400+5000*400=32000000 "We learn the word vectors and paragraph vectors using 75,000 training documents" "In PV-DM, the learned vector representations have 400 dimensions for both words and documents" Paragraph embedding of dimension number of paragraphs * embedding size Word embedding of dimension |V|*embedding size Assuming vocabulary of 5000 since results are compared directly to Maas et. al., 2011
"25,000 labeled training instances, 25,000 labeled test in- stances and 50,000 unlabeled training instances."
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.
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Distributed Representations of Sentences and Documents
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Paragraph Vector werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens May 2014. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training verbruikte een corpus van ongeveer 16,500,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
Paragraph Vector — veelgestelde vragen
Paragraph Vector— hoeveel parameters heeft het?
Het heeft een parameter telling van 32M. 75000*400+5000*400=32000000 "We learn the word vectors and paragraph vectors using 75,000 training documents" "In PV-DM, the learned vector representations have 400 dimensions for both words and documents" Paragraph embedding of dimension number of paragraphs * embedding size Word embedding of dimension |V|*embedding size Assuming vocabulary of 5000 since results are compared directly to Maas et. al., 2011. 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.
Paragraph Vector— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Paragraph Vector— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Paragraph Vector— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Paragraph Vector— 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.
Paragraph Vector— 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.
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.