Constituency-Tree LSTM
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- MetaMind Inc,Stanford University
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America
- Opublikowany
- 28 February 2015
- Autorzy
- KS Tai, R Socher, CD Manning
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Semantic embedding
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 205.2K
- Dane treningowe
- 319,000 tokens
Table 1 https://arxiv.org/abs/1503.00075
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Cytaty
- 3,248
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
Constituency-Tree LSTM został opublikowany przez MetaMind Inc,Stanford University, w kraju zapisanym jako United States of America, podczas February 2015. Organizacja publikująca jest klasyfikowana jako industry,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie semantic embedding.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Co poszło w budowę tego
Został wytrenowany na korpusie około 319,000 Tokeny tekstu.
Odpowiedzi
Constituency-Tree LSTM — częste pytania
Constituency-Tree LSTM— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
Constituency-Tree LSTM— ile ma parametrów?
Ma liczbę parametrów równą 205.2K. Table 1 https://arxiv.org/abs/1503.00075. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Constituency-Tree LSTM— kto to stworzył?
Zostało opublikowane przez MetaMind Inc,Stanford University, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
Constituency-Tree LSTM— kiedy to zostało wydane?
Zostało opublikowane w February 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Constituency-Tree LSTM— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie semantic embedding. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Constituency-Tree LSTM— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.