SimpleNet

Κλειστές βαρύτητες Sensifai,Islamic Azad University,Technicolor R&I,Institute for Research in Fundamental Sciences (IPM) 5.5M παράμετροι August 2016

Καμία εκτίμηση

Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο

Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..

Σε καταγραφή

Πλήρης προδιαγραφή

Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..

Προέλευση

Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.

Οργάνωση
Sensifai,Islamic Azad University,Technicolor R&I,Institute for Research in Fundamental Sciences (IPM)
Τύπος οργανισμού
Industry,Academia
Χώρα
Belgium, Iran (Islamic Republic of), France
Δημοσιευμένο
22 August 2016
Συγγραφείς
Seyyed Hossein Hasanpour, Mohammad Rouhani, Mohsen Fayyaz, Mohammad Sabokrou

Τι κάνει

Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.

τομέας
Vision
Εργασία
Image classification
Numerical format
FP32

Μέγεθος

Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.

παράμετροι
5.5M

SOTA CIFAR-10 model was 5.48m params

Δεδομένα εκπαίδευσης
1,280,000 tokens

Η εκπαίδευση run

Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.

Υλικό εκπαίδευσης
NVIDIA GeForce GTX 980

Πώς ταξινομείται

Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.

Why it is tracked
SOTA improvement

"We achieved state-of-theart result on CIFAR10 outperforming several heavier architectures"

Εγγραφή εμπιστοσύνης
Confident
Παραπομπές
128

Πηγές

Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.

Αναφορά
Lets keep it simple, Using simple architectures to outperform deeper and more complex architectures
Τελευταία ενημέρωση
25 May 2026

Τι σημαίνουν οι αριθμοί

Από πού προήλθε

SimpleNet was published by Sensifai,Islamic Azad University,Technicolor R&I,Institute for Research in Fundamental Sciences (IPM), in Belgium, in August 2016. The organisation is categorised as industry,Academia.

It works in Vision, and is recorded as doing image classification.

Its weights were never published, so it can only be reached through its provider. No graphics card changes that.

Εκπαίδευση και προελεύσεις

It was trained on about 1,280,000 tokens of text.

Its inclusion criterion is sOTA improvement.

Απαντήσεις

SimpleNet — κοινές ερωτήσεις

01

Who created SimpleNet?

SimpleNet was published by Sensifai,Islamic Azad University,Technicolor R&I,Institute for Research in Fundamental Sciences (IPM), based in Belgium, categorised as industry,Academia.

02

When was SimpleNet released?

SimpleNet was published in August 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

03

What is SimpleNet used for?

SimpleNet works in Vision, and is recorded as handling image classification. 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.

04

What GPU do I need to run SimpleNet?

None. SimpleNet 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.

05

Is SimpleNet open source?

The licensing for SimpleNet was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.

06

How many parameters does SimpleNet have?

SimpleNet has 5.5M parameters. SOTA CIFAR-10 model was 5.48m params. 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.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 25 May 2026

Η άλλη κατεύθυνση

Κοιτάζοντας το από την άλλη πλευρά;

Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.