LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Typ organizace
- Academia,Academia,Academia
- Země
- United States of America
- Publikováno
- 7 November 2014
- Autoři
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Video
- Úkol
- Video description
- Přístup
- Reinforcement learning
- 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
- 142.6M
- Výcviková data
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- Highly cited
- Citace
- 6,380
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
LRCN byl zveřejněn UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během November 2014. Vydavatelská organizace je kategorizována jako academia,Academia,Academia.
funguje v oblasti Video, a je zaznamenán jako vykonávající úkol video description.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Bylo to trénováno na korpusu asi 400,000 tokeny textu
Jeho kritérium zahrnutí: highly cited.
Odpovědi
LRCN — běžné otázky
LRCN— kolik má parametrů?
Má počet parametrů 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
LRCN— Kdo to vytvořil?
Bylo to publikováno společností UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako academia,Academia,Academia.
LRCN— Kdy byl vydán?
Bylo to zveřejněno v November 2014. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
LRCN— K čemu se to používá?
funguje v oblasti Video, a je zaznamenáno jako zpracovávající úkol video description. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
LRCN— 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.
LRCN— 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.
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.