Feedforward NN
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- University of Montreal / Université de Montréal
- Typ organizace
- Academia
- Země
- Canada
- Publikováno
- 13 May 2010
- Autoři
- X Glorot, Y Bengio
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Digit recognition
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 7.1M
- Tréninková data
- 90,000 tokens
pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 3.5 × 10¹⁴ FLOP
- Jak bylo založeno
- Operation counting
Roughly two times the number of parameters for ops per forward pass. So 2*7082000 params*3.5*140 epochs * 50k training images = 3.5e14
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- Highly cited
- Záznam důvěry
- Confident
- Citace
- 18,606
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Understanding the difficulty of training deep feedforward neural networks
- Naposledy aktualizováno
- 1 January 2026
Co čísla znamenají
Pozadí
Feedforward NN was published by University of Montreal / Université de Montréal, in Canada, in May 2010. It comes out of academia.
It works in Vision, and is recorded as doing digit recognition.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Trénink a původ
Training it took roughly 3.5 × 10¹⁴ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 90,000 tokens of text.
The reason it appears in this catalogue at all is highly cited.
Odpovědi
Feedforward NN — Časté dotazy
What GPU do I need to run Feedforward NN?
None. Feedforward NN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Feedforward NN open source?
The licensing for Feedforward NN was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Feedforward NN have?
Feedforward NN has 7.1M parameters. pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Feedforward NN?
Feedforward NN was published by University of Montreal / Université de Montréal, based in Canada, categorised as academia.
When was Feedforward NN released?
Feedforward NN was published in May 2010. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Feedforward NN used for?
Feedforward NN works in Vision, and is recorded as handling digit recognition. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train Feedforward NN?
Around 3.5 × 10¹⁴ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.