Sparse coding model for V1 receptive fields
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
- UC Davis,Cornell University
- Organisationsart
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 1 December 1997
- Autoren
- Bruno A. Olshausen, David J. Field
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Miscellaneous image analysis
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
- 28,800,000 tokens
In Simulation Methods: "The data for training were taken from ten 512 × 512 pixel images of natural surroundings"
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Zitationen
- 4,257
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Sparse coding with an overcomplete basis set: A strategy employed by V1?
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Sparse coding model for V1 receptive fields wurde veröffentlicht von UC Davis,Cornell University, im Land aufgezeichnet als United States of America, während December 1997. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet miscellaneous image analysis.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Was in den Aufbau geflossen ist
Der Trainingssatz lief auf etwa 28,800,000 Text-Tokens
Antworten
Sparse coding model for V1 receptive fields — Häufige Fragen
Sparse coding model for V1 receptive fields— 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.
Sparse coding model for V1 receptive fields— 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.
Sparse coding model for V1 receptive fields— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Sparse coding model for V1 receptive fields— Wer hat es erstellt?
Es wurde veröffentlicht von UC Davis,Cornell University, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.
Sparse coding model for V1 receptive fields— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 1997. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Sparse coding model for V1 receptive fields— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von miscellaneous image analysis. 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.
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.