Optimized Single-layer Net

Geschlossene Gewichtungen University of Michigan,Stanford University April 2011

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 Michigan,Stanford University
Organisationsart
Academia,Academia
Land
United States of America
Veröffentlicht
11 April 2011
Autoren
A Coates, A Ng, H Lee

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain
Vision
Aufgabe
Image classification

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
50,000 tokens

Wie es klassifiziert ist

Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.

Aufzeichnungsgenauigkeit
Unknown
Zitationen
4,240

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz
An analysis of single-layer networks in unsupervised feature learning
Zuletzt aktualisiert
1 January 2026

Was die Zahlen bedeuten

Was dieses Modell ist

Optimized Single-layer Net wurde veröffentlicht von University of Michigan,Stanford University, im Land aufgezeichnet als United States of America, während April 2011. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.

Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.

Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.

Was in den Aufbau geflossen ist

Der Trainingssatz lief auf etwa 50,000 Text-Tokens

Antworten

Optimized Single-layer Net — Häufige Fragen

01

Optimized Single-layer Net— 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.

02

Optimized Single-layer Net— 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.

03

Optimized Single-layer Net— Wie viele Parameter hat es?

Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.

04

Optimized Single-layer Net— Wer hat es erstellt?

Es wurde veröffentlicht von University of Michigan,Stanford University, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.

05

Optimized Single-layer Net— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in April 2011. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

06

Optimized Single-layer Net— Wofür wird es verwendet?

Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 1 January 2026

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.