LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Τύπος οργανισμού
- Academia,Academia,Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 7 November 2014
- Συγγραφείς
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Video
- Εργασία
- Video description
- Προσέγγιση
- Reinforcement learning
- Αριθμητική μορφή
- 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
- 142.6M
- Δεδομένα εκπαίδευσης
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Γιατί παρακολουθείται
- Highly cited
- Παραπομπές
- 6,380
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
LRCN δημοσιεύθηκε από UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια November 2014. Ο εκδοτικός οργανισμός κατηγοριοποιείται ως academia,Academia,Academia.
Λειτουργεί στον τομέα της Video, και καταγράφεται ότι εκτελεί την εργασία του video description.
Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Πώς εκπαιδεύτηκε
Εκπαιδεύτηκε σε ένα σώμα περίπου 400,000 κωδικοί κειμένου
Το κριτήριο συμπερασμού του: highly cited.
Απαντήσεις
LRCN — κοινές ερωτήσεις
LRCN— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.
LRCN— ποιος το δημιούργησε;
Δημοσιεύθηκε από UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως academia,Academia,Academia.
LRCN— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε November 2014. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
LRCN— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Video, και καταγράφεται ως διαχείριση της εργασίας του video description. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.
LRCN— ποια GPU χρειάζομαι για να το τρέξω;
Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.
LRCN— είναι ανοιχτού κώδικα;
Η αδειοδότηση δεν καταγράφηκε ποτέ στα πηγά μας δεδομένα. Αντιμετωπίζουμε τις μη δηλωμένες άδειες ως κλειστές, επειδή μια μη καταγεγραμμένη άδεια δεν είναι μία στην οποία μπορείς να βασιστείς.
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.