Layer Normalization: Draw
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Toronto
- Organisationsart
- Academia
- Land
- Canada
- Veröffentlicht
- 21 July 2016
- Autoren
- Jimmy Lei Ba, Jamie Ryan Kiros, Geoffrey E. Hinton
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Image generation
- Aufgabe
- Image generation
- Basis-Modell
- Draw
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- 39,200,000 tokens
The dataset has been split into 50,000 training, 10,000 validation and 10,000 test
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Layer Normalization
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Layer Normalization: Draw wurde veröffentlicht von University of Toronto, im Land aufgezeichnet als Canada, während July 2016. Die Kategorie, in die der Herausgeber fällt, ist academia.
Es funktioniert im Bereich von Image generation, und wird als die Aufgabe von aufgezeichnet image generation.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, Draw. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Es wurde auf einem Korpus von etwa 39,200,000 Text-Tokens
Antworten
Layer Normalization: Draw — Häufige Fragen
Layer Normalization: Draw— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Layer Normalization: Draw— Wer hat es erstellt?
Es wurde veröffentlicht von University of Toronto, basiert auf Canada, eine als kategorisierte Organisation academia.
Layer Normalization: Draw— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2016. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Layer Normalization: Draw— Wofür wird es verwendet?
Es funktioniert im Bereich von Image generation, und wird als Bewältigung der Aufgabe von image generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Layer Normalization: Draw— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Layer Normalization: Draw— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.