Recursive sentiment autoencoder
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
- Stanford University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 1 July 2011
- Auteurs
- R. Socher, J. Pennington, E. H. Huang, A. Y. Ng, and C. D. Manning
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.
- Training gegevens
- 31,675 tokens
They use several datasets for self-supervised and supervised learning
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
- Unknown
- Citaties
- 1,477
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Semi-supervised recursive autoencoders for predicting sentiment distributions
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Recursive sentiment autoencoder werd gepubliceerd door Stanford University, in het land geregistreerd als United States of America, tijdens July 2011. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van text classification.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Wat erin ging zitten om het te bouwen
De trainingsset liep naar ongeveer 31,675 tekstokens
Antwoorden
Recursive sentiment autoencoder — veelgestelde vragen
Recursive sentiment autoencoder— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van text classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Recursive sentiment autoencoder— 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.
Recursive sentiment autoencoder— 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.
Recursive sentiment autoencoder— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Recursive sentiment autoencoder— wie heeft het gemaakt?
Het werd gepubliceerd door Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Recursive sentiment autoencoder— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2011. 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.