Adversarial Joint Adaptation Network (ResNet)
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
- Tsinghua University,University of California (UC) Berkeley
- Typ organizace
- Academia,Academia
- Země
- China, United States of America
- Publikováno
- 17 August 2017
- Autoři
- Mingsheng Long, Han Zhu, Jianmin Wang, Michael I. Jordan
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 60M
- Výcviková data
- 4,652 tokens
Model is based on ResNet (60m params), might have more parameters though "We implement all deep methods based on the Caffe framework, and fine-tune from Caffe-provided models of AlexNet (Krizhevsky et al., 2012) and ResNet (He et al., 2016), both are pre-trained on the ImageNet 2012 dataset."
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
- Citace
- 2,743
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Deep Transfer Learning with Joint Adaptation Networks
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
Adversarial Joint Adaptation Network (ResNet) byl zveřejněn Tsinghua University,University of California (UC) Berkeley, v zemi zaznamenané jako China, během August 2017. Kategorie, do které vydavatel spadá, je academia,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Trénink a původ
Bylo to trénováno na korpusu asi 4,652 tokeny textu
Odpovědi
Adversarial Joint Adaptation Network (ResNet) — běžné otázky
Adversarial Joint Adaptation Network (ResNet)— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Adversarial Joint Adaptation Network (ResNet)— 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.
Adversarial Joint Adaptation Network (ResNet)— 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.
Adversarial Joint Adaptation Network (ResNet)— kolik má parametrů?
Má počet parametrů 60M. Model is based on ResNet (60m params), might have more parameters though "We implement all deep methods based on the Caffe framework, and fine-tune from Caffe-provided models of AlexNet (Krizhevsky et al., 2012) and ResNet (He et al., 2016), both are pre-trained on the ImageNet 2012 dataset.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Adversarial Joint Adaptation Network (ResNet)— Kdo to vytvořil?
Bylo to publikováno společností Tsinghua University,University of California (UC) Berkeley, zakládající se na China, organizace zařazená jako academia,Academia.
Adversarial Joint Adaptation Network (ResNet)— Kdy byl vydán?
Bylo to zveřejněno v August 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.