Deep Deterministic Policy Gradients
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
- Google DeepMind
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 9 September 2015
- Autoren
- TP Lillicrap, JJ Hunt, A Pritzel, N Heess, T Erez
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Robotics
- Aufgabe
- Robotic manipulation, Self-driving car
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
- tokens
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Highly cited
- Aufzeichnungsgenauigkeit
- Unknown
- Zitationen
- 15,374
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Continuous control with deep reinforcement learning
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
Deep Deterministic Policy Gradients wurde veröffentlicht von Google DeepMind, im Land aufgezeichnet als United States of America, während September 2015. Es stammt aus einer Organisation, die kategorisiert ist als industry.
Es funktioniert im Bereich von Robotics, und wird als die Aufgabe von aufgezeichnet robotic manipulation, Self-driving car.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Das Einschlusskriterium: highly cited.
Antworten
Deep Deterministic Policy Gradients — Häufige Fragen
Deep Deterministic Policy Gradients— 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.
Deep Deterministic Policy Gradients— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Deep Deterministic Policy Gradients— Wer hat es erstellt?
Es wurde veröffentlicht von Google DeepMind, basiert auf United States of America, eine als kategorisierte Organisation industry.
Deep Deterministic Policy Gradients— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in September 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Deep Deterministic Policy Gradients— Wofür wird es verwendet?
Es funktioniert im Bereich von Robotics, und wird als Bewältigung der Aufgabe von robotic manipulation, Self-driving car. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
Deep Deterministic Policy Gradients— 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.
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.