Cognitron
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
- Biological Cybernetics
- Organisationsart
- Industry
- Land
- Japan
- Veröffentlicht
- 1 September 1975
- Autoren
- Kunihiko Fukushima
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Other
- Aufgabe
- Miscellaneous image analysis, 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.
- Parameter
- 21.6K
- Trainingsdaten
- 5 tokens
- Epochen
- 20
4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters
5 examples presented for (at least) 20 cycles = 100 training steps
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 5.2 × 10⁶ FLOP
- Wie es etabliert wurde
- Operation counting
No real backward pass as weights are sparsely updated. Assuming 20% additional compute for the weight update. Total compute estimate: 100*2*3*288*25*1.2 = 5184000
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
- Historical significance
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 791
Precursor of the Neocognitron
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Cognitron: a self-organizing multilayered neural network
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Hintergrund
Cognitron wurde veröffentlicht von Biological Cybernetics, im Land aufgezeichnet als Japan, während September 1975. Es stammt aus einer Organisation, die kategorisiert ist als industry.
Es funktioniert im Bereich von Other, und wird als die Aufgabe von aufgezeichnet miscellaneous image analysis, Image classification.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 5.2 × 10⁶ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 5 Text-Tokens
Das Einschlusskriterium: historical significance.
Antworten
Cognitron — Häufige Fragen
Cognitron— Wer hat es erstellt?
Es wurde veröffentlicht von Biological Cybernetics, basiert auf Japan, eine als kategorisierte Organisation industry.
Cognitron— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in September 1975. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Cognitron— Wofür wird es verwendet?
Es funktioniert im Bereich von Other, und wird als Bewältigung der Aufgabe von miscellaneous image analysis, Image classification. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Cognitron— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5.2 × 10⁶ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Cognitron— 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.
Cognitron— 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.
Cognitron— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 21.6K. 4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 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.
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.