Paragraph Vector
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
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 14 May 2014
- Autorzy
- Quoc V. Le, Tomas Mikolov
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 32M
- Dane treningowe
- 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."
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Distributed Representations of Sentences and Documents
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Paragraph Vector został opublikowany przez Google, w kraju zapisanym jako United States of America, podczas May 2014. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trening zużył korpus około 16,500,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited.
Odpowiedzi
Paragraph Vector — częste pytania
Paragraph Vector— ile ma parametrów?
Ma liczbę parametrów równą 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. 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.
Paragraph Vector— kto to stworzył?
Zostało opublikowane przez Google, oparty na United States of America, organizacja sklasyfikowana jako industry.
Paragraph Vector— kiedy to zostało wydane?
Zostało opublikowane w May 2014. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Paragraph Vector— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Paragraph Vector— 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.
Paragraph Vector— 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.
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.