LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Organisationsart
- Academia,Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 7 November 2014
- Autoren
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Video
- Aufgabe
- Video description
- Ansatz
- Reinforcement learning
- Numerisches Format
- FP32
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.
- Parameter
- 142.6M
- Trainingsdaten
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
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
- Zitationen
- 6,380
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
LRCN wurde veröffentlicht von UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, im Land aufgezeichnet als United States of America, während November 2014. Die veröffentlichende Organisation ist als academia,Academia,Academia.
Es funktioniert im Bereich von Video, und wird als die Aufgabe von aufgezeichnet video description.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Wie es trainiert wurde
Es wurde auf einem Korpus von etwa 400,000 Text-Tokens
Das Einschlusskriterium: highly cited.
Antworten
LRCN — Häufige Fragen
LRCN— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
LRCN— Wer hat es erstellt?
Es wurde veröffentlicht von UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia,Academia.
LRCN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2014. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
LRCN— Wofür wird es verwendet?
Es funktioniert im Bereich von Video, und wird als Bewältigung der Aufgabe von video description. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
LRCN— 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.
LRCN— 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.