Neocognitron
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
- NHK Broadcasting Science Research Laboratories
- Typ organizace
- Industry
- Země
- Japan
- Publikováno
- 1 April 1980
- Autoři
- K Fukushima, S Miyake
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
- 1.1M
- Výcviková data
- 5 tokens
"The synaptic connections from S-layers to C-layers are fixed and unmodifiable. [...] The numbers of excitatory cells in these seven layers are: 16x16 in U0, 16x16x24 in Us1, 10x10x 24 in Uc1, 8x8x24 in Us2, 6x 6x 24 in Uc2, 2x2x24 in Us3, and 24 in Uc3 [...] the number of input synapses to each S-cell is 5 x 5 in layer Us1 and 5x5x24 in layers Us2 and Us3 [...] The number of excitatory input synapses to each C-cell is 5x5 in layers Uc1 and Uc2, and is 2x2 in layer Uc3 " The number of synapse…
"In order to self-organize the network, we have presented five stimulus patterns "0", "1", "2", "3", and "4", which are shown in Fig. 6"
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.
- Výpočty pro trénink
- 2.7 × 10⁸ FLOP
- Jak bylo ustanoveno
- Operation counting
"It does not necessarily mean that all of these input synapses are always fully reinforced. In usual situations, only some of these input synapses are reinforced, and the rest of them remains in small values [...] Each of the five stimulus patterns has been presented 20 times to the network. By that time, self organization of the network has almost been completed." We multiply by 2 to account for multadds in the forward pass. There is no real backward pass, weights are only updated sparsely. E…
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Proč je to sledováno
- Highly cited
- Záznam důvěry
- Confident
- Citace
- 5,782
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
Neocognitron byl zveřejněn NHK Broadcasting Science Research Laboratories, v zemi zaznamenané jako Japan, během April 1980. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol character recognition (OCR).
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Jak bylo trénováno
Trenovací běh spotřeboval asi 2.7 × 10⁸ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 5 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited.
Odpovědi
Neocognitron — běžné otázky
Neocognitron— 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.
Neocognitron— 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.
Neocognitron— kolik má parametrů?
Má počet parametrů 1.1M. "The synaptic connections from S-layers to C-layers are fixed and unmodifiable. [...] The numbers of excitatory cells in these seven layers are: 16x16 in U0, 16x16x24 in Us1, 10x10x 24 in Uc1, 8x8x24 in Us2, 6x 6x 24 in Uc2, 2x2x24 in Us3, and 24 in Uc3 [...] the number of input synapses to each S-cell is 5 x 5 in layer Us1 and 5x5x24 in layers Us2 and Us3 [...] The number of excitatory input synapses to each C-cell is 5x5 in layers Uc1 and Uc2, and is 2x2 in layer Uc3 " The number of synapses into each S-layer is: S1: (16*16*24)*(5*5) S2: (8*8*24)*(5*5*24) S3: (2*2*24)*(5*5*24) We assume one parameter a per synapse into each cell in a S-layer, and one parameter b per each cell in a S-layer. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Neocognitron— Kdo to vytvořil?
Bylo to publikováno společností NHK Broadcasting Science Research Laboratories, zakládající se na Japan, organizace zařazená jako industry.
Neocognitron— Kdy byl vydán?
Bylo to zveřejněno v April 1980. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Neocognitron— 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.
Neocognitron— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.7 × 10⁸ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
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.