Deep Belief Nets
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,National University of Singapore
- Typ organizace
- Academia,Academia
- Země
- Canada, Singapore
- Publikováno
- 18 July 2006
- Autoři
- GE Hinton, S Osindero, YW Teh
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Character recognition (OCR)
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1.6M
- Výcviková data
- 47,100,000 tokens
- Epochy
- 330
"The network that performed best on the validation set was then tested and had an error rate of 1.39%. This network was then trained on all 60,000 training images8 until its error-rate on the full training set was as low as its final error-rate had been on the initial training set of 44,000 images."
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 168 hours (7 days)
"a further 59 epochs [of training] making the total learning time about a week"
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
- 16,071
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- A fast learning algorithm for deep belief nets
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
Deep Belief Nets byl zveřejněn University of Toronto,National University of Singapore, v zemi zaznamenané jako Canada, během July 2006. Vychází z organizace, která je kategorizována jako academia,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol character recognition (OCR).
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 47,100,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited.
Odpovědi
Deep Belief Nets — běžné otázky
Deep Belief Nets— kolik má parametrů?
Má počet parametrů 1.6M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Deep Belief Nets— Kdo to vytvořil?
Bylo to publikováno společností University of Toronto,National University of Singapore, zakládající se na Canada, organizace zařazená jako academia,Academia.
Deep Belief Nets— Kdy byl vydán?
Bylo to zveřejněno v July 2006. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Deep Belief Nets— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol character recognition (OCR). Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Deep Belief Nets— 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.
Deep Belief Nets— 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.