Semi-Supervised Embedding for DL
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
- Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC)
- Typ organizacji
- Industry,Industry,Academia,Academia
- Kraj
- United States of America, Switzerland
- Opublikowany
- 5 July 2008
- Autorzy
- Jason Weston, Frederick, Ratle, Hossein Mobahi, Ronan Collobert
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Other
- Zadanie
- Image classification, Language Structure Modeling, Text classification
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 632,000,000 tokens
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
- Cytaty
- 1,087
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Deep Learning via Semi-Supervised Embedding
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Semi-Supervised Embedding for DL został opublikowany przez Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), w kraju zapisanym jako United States of America, podczas July 2008. Kategoria, do której należy wydawca, to industry,Industry,Academia,Academia.
Działa w dziedzinie Other, i jest zapisany jako wykonujący zadanie image classification, Language Structure Modeling, Text classification.
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
Trening zużył korpus około 632,000,000 Tokeny tekstu.
Odpowiedzi
Semi-Supervised Embedding for DL — częste pytania
Semi-Supervised Embedding for DL— kto to stworzył?
Zostało opublikowane przez Google,NUANCE Communications,IDIAP,University of Illinois Urbana-Champaign (UIUC), oparty na United States of America, organizacja sklasyfikowana jako industry,Industry,Academia,Academia.
Semi-Supervised Embedding for DL— kiedy to zostało wydane?
Zostało opublikowane w July 2008. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Semi-Supervised Embedding for DL— do czego to służy?
Działa w dziedzinie Other, i jest zarejestrowany jako realizujący zadanie image classification, Language Structure Modeling, Text classification. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Semi-Supervised Embedding for DL— 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.
Semi-Supervised Embedding for DL— 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.
Semi-Supervised Embedding for DL— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
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.