Vine copula (wine quality)
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
- Massachusetts Institute of Technology (MIT),Rey Juan Carlos University
- Typ organizace
- Academia,Academia
- Země
- United States of America, Spain
- Publikováno
- 4 December 2018
- Autoři
- Yi Sun, Alfredo Cuesta-Infante, Kalyan Veeramachaneni
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Úkol
- Multi-class 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
- tokens
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 8.5 × 10¹⁵ FLOP
- Jak bylo ustanoveno
- Hardware
"for a 6-dimensional data set of size 500, the RL algorithm finishes in approximately 15 minutes with a single GPU"" Assuming they used V100, fp16 and trained for similar amount of time: 31330000000000 FLOP / GPU / sec * 15 min * 60 sec / min * 0.3 [assumed utilization] = 8.4591e+15 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 0 hours
" for a 6-dimensional data set of size 500, the RL algorithm finishes in approximately 15 minutes with a single GPU"
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Learning Vine Copula Models For Synthetic Data Generation
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
Vine copula (wine quality) byl zveřejněn Massachusetts Institute of Technology (MIT),Rey Juan Carlos University, v zemi zaznamenané jako United States of America, během December 2018. Vydavatelská organizace je kategorizována jako academia,Academia.
a je zaznamenán jako vykonávající úkol multi-class classification.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 8.5 × 10¹⁵ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
Vine copula (wine quality) — běžné otázky
Vine copula (wine quality)— 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.
Vine copula (wine quality)— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Vine copula (wine quality)— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
Vine copula (wine quality)— Kdo to vytvořil?
Bylo to publikováno společností Massachusetts Institute of Technology (MIT),Rey Juan Carlos University, zakládající se na United States of America, organizace zařazená jako academia,Academia.
Vine copula (wine quality)— Kdy byl vydán?
Bylo to zveřejněno v December 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Vine copula (wine quality)— K čemu se to používá?
a je zaznamenáno jako zpracovávající úkol multi-class classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Vine copula (wine quality)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 8.5 × 10¹⁵ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
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.