DeViSE
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Organisatie type
- Industry
- Land
- United States of America
- Gepubliceerd
- 5 December 2013
- Auteurs
- Andrea Frome, G. Corrado, Jonathon Shlens, Samy Bengio, J. Dean, Marc'Aurelio Ranzato, Tomas Mikolov
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Vision
- Taak
- Semantic embedding
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- 5,401,200,000 tokens
"We trained a skip-gram text model on a corpus of 5.7 million documents (5.4 billion words) " Additionally, an image model component is trained on ImageNet (1.2M images)
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Highly cited,SOTA improvement
- Vereiste vertrouwen
- Confident
" We demonstrate that this model matches state-of-the-art performance on the 1000-class ImageNet object recognition challenge while making more semantically reasonable errors, and also show that the semantic information can be exploited to make predictions about tens of thousands of image labels not observed during training." not absolute SOTA
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- DeViSE: A Deep Visual-Semantic Embedding Model
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Where it came from
DeViSE was published by Google, in United States of America, in December 2013. The organisation is categorised as industry.
It works in Vision, and is recorded as doing semantic embedding.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Wat erin is gestopt om het te bouwen
The training set ran to roughly 5,401,200,000 tokens.
It is tracked in the underlying dataset for one reason in particular: highly cited,SOTA improvement.
Antwoorden
DeViSE — Veelgestelde vragen
Who created DeViSE?
DeViSE was published by Google, based in United States of America, categorised as industry.
When was DeViSE released?
DeViSE was published in December 2013. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DeViSE used for?
DeViSE works in Vision, and is recorded as handling semantic embedding. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run DeViSE?
None. DeViSE is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DeViSE open source?
The licensing for DeViSE was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DeViSE have?
No parameter count has been published for DeViSE, which is why no memory or speed figure appears on this page.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.