Kohonen network
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
- Helsinki University of Technology
- Organisationsart
- Academia
- Land
- Finland
- Veröffentlicht
- 25 July 1981
- Autoren
- T Kohonen
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Mathematics
- Aufgabe
- Dimensionality reduction
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
- 4.1K
- Trainingsdaten
- 4,000 tokens
The input vectors are 3D. I could not find the grid size, but from the images it looks 8x8. So the network was 8x8x3 parameters.
??? Seemingly no info
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
- 11,841
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Self-organized formation of topologically correct feature maps
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
Kohonen network wurde veröffentlicht von Helsinki University of Technology, im Land aufgezeichnet als Finland, während July 1981. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Mathematics, und wird als die Aufgabe von aufgezeichnet dimensionality reduction.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Training verbrauchte ein Korpus von etwa 4,000 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: highly cited.
Antworten
Kohonen network — Häufige Fragen
Kohonen network— Wofür wird es verwendet?
Es funktioniert im Bereich von Mathematics, und wird als Bewältigung der Aufgabe von dimensionality reduction. 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.
Kohonen network— 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.
Kohonen network— 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.
Kohonen network— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 4.1K. The input vectors are 3D. I could not find the grid size, but from the images it looks 8x8. So the network was 8x8x3 parameters. 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.
Kohonen network— Wer hat es erstellt?
Es wurde veröffentlicht von Helsinki University of Technology, basiert auf Finland, eine als kategorisierte Organisation academia.
Kohonen network— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 1981. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.