Recursive Neural Network
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
- 28 June 2011
- Auteurs
- R. Socher, Cliff Chiung-Yu Lin, A. Ng, Christopher D. Manning
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision, Language
- Taak
- Representation learning
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
- 573,285 tokens
Full WSJ dataset: 1000000 words (https://catalog.ldc.upenn.edu/LDC99T42) Using 20 out of 24 splits for training: 1000000*(20/24)=833333.333
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
- Parsing natural scenes and natural language with recursive neural networks
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Recursive Neural Network werd gepubliceerd door Stanford University, in het land geregistreerd als United States of America, tijdens June 2011. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, Language, en wordt geregistreerd als het uitvoeren van de taak van representation learning.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
De trainingsset liep naar ongeveer 573,285 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
Recursive Neural Network — veelgestelde vragen
Recursive Neural Network— 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 Neural Network— 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 Neural Network— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Recursive Neural Network— wie heeft het gemaakt?
Het werd gepubliceerd door Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Recursive Neural Network— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2011. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Recursive Neural Network— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Language, en wordt geregistreerd als het afhandelen van representation learning. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
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.