Deep Belief Nets
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Toronto,National University of Singapore
- Organisationstyp
- Academia,Academia
- Land
- Canada, Singapore
- Veröffentlicht
- 18 July 2006
- Autoren
- GE Hinton, S Osindero, YW Teh
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Vision
- Aufgabe
- Character recognition (OCR)
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 1.6M
- Trainingsdaten
- 47,100,000 tokens
- Epochen
- 330
"The network that performed best on the validation set was then tested and had an error rate of 1.39%. This network was then trained on all 60,000 training images8 until its error-rate on the full training set was as low as its final error-rate had been on the initial training set of 44,000 images."
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Wand-Uhrzeit
- 168 hours (7 days)
"a further 59 epochs [of training] making the total learning time about a week"
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Warum es nachverfolgt wird
- Highly cited
- Zitationen
- 16,071
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- A fast learning algorithm for deep belief nets
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Deep Belief Nets was published by University of Toronto,National University of Singapore, in Canada, in July 2006. It comes out of academia,Academia.
It works in Vision, and is recorded as doing character recognition (OCR).
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Wie es trainiert wurde
It was trained on about 47,100,000 tokens of text.
It is tracked in the underlying dataset for one reason in particular: highly cited.
Antworten
Deep Belief Nets — Häufig gestellte Fragen
How many parameters does Deep Belief Nets have?
Deep Belief Nets has 1.6M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Deep Belief Nets?
Deep Belief Nets was published by University of Toronto,National University of Singapore, based in Canada, categorised as academia,Academia.
When was Deep Belief Nets released?
Deep Belief Nets was published in July 2006. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Deep Belief Nets used for?
Deep Belief Nets works in Vision, and is recorded as handling character recognition (OCR). A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run Deep Belief Nets?
None. Deep Belief Nets is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Deep Belief Nets open source?
The licensing for Deep Belief Nets was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.