Layer Normalization: Handwriting sequence generation
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
- University of Toronto
- Typ organizace
- Academia
- Země
- Canada
- Publikováno
- 21 July 2016
- Autoři
- Jimmy Lei Ba, Jamie Ryan Kiros, Geoffrey E. Hinton
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Image generation
- Úkol
- Image generation
- Základní model
- RNN+weight noise+dynamic eval
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 3.7M
- Výcviková data
- 8,525,300 tokens
The total number of weights was increased to approximately 3.7M.
12179*700=8525300 There are, in total, 12179 handwriting line sequences. The input string is typically more than 25 characters and the average handwriting line has a length around 700.
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.
- Jak bylo ustanoveno
- Operation counting
- Ladění výpočtů
- 1.9 × 10¹⁴ FLOP
=8525300*3700000*6=1.8926166e+14
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
- Layer Normalization
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
Layer Normalization: Handwriting sequence generation byl zveřejněn University of Toronto, v zemi zaznamenané jako Canada, během July 2016. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol image generation.
Staví na RNN+weight noise+dynamic eval. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Bylo to trénováno na korpusu asi 8,525,300 tokeny textu
Odpovědi
Layer Normalization: Handwriting sequence generation — běžné otázky
Layer Normalization: Handwriting sequence generation— 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.
Layer Normalization: Handwriting sequence generation— 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.
Layer Normalization: Handwriting sequence generation— kolik má parametrů?
Má počet parametrů 3.7M. The total number of weights was increased to approximately 3.7M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Layer Normalization: Handwriting sequence generation— Kdo to vytvořil?
Bylo to publikováno společností University of Toronto, zakládající se na Canada, organizace zařazená jako academia.
Layer Normalization: Handwriting sequence generation— Kdy byl vydán?
Bylo to zveřejněno v July 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Layer Normalization: Handwriting sequence generation— K čemu se to používá?
funguje v oblasti Image generation, a je zaznamenáno jako zpracovávající úkol image generation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
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.