Graph-based Semi-Supervised Learning (GSSL) Model on MNIST
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- West Virginia University
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 17 July 2019
- Autoři
- Fariborz Taherkhani, Hadi Kazemi, Nasser M. Nasrabadi
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 60,000 tokens
batch size: 128 training steps and epochs unknown
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce GTX TITAN X
- Používané čipy
- 2
- Příkon
- 1.0 kW
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Unknown
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Matrix Completion for Graph-Based Deep Semi-Supervised Learning
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST byl zveřejněn West Virginia University, v zemi zaznamenané jako United States of America, během July 2019. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Co bylo zapotřebí k jeho vybudování
Bylo to trénováno na korpusu asi 60,000 tokeny textu
Odpovědi
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST — běžné otázky
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— Kdo to vytvořil?
Bylo to publikováno společností West Virginia University, zakládající se na United States of America, organizace zařazená jako academia.
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— Kdy byl vydán?
Bylo to zveřejněno v July 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Graph-based Semi-Supervised Learning (GSSL) Model on MNIST— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.