Long-Range Autonomous Off-Road Driving System
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
- Courant Institute of Mathematical Sciences
- Τύπος οργανισμού
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 8 January 2009
- Συγγραφείς
- Raia Hadsell, Pierre Sermanet, Jan Ben, Ayse Erkan, Marco Scoffier, Koray Kavukcuoglu, Urs Muller, Yann LeCun
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Vision, Robotics, Driving
- Εργασία
- Self-driving car
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
- 12.4K
- Δεδομένα εκπαίδευσης
- 450,000 tokens
- Εποχές
- 30
C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs"
"The training set contained 450,000 labeled image patches"
Εκπαίδευση υπολογιστών
Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.
- Εκπαίδευση υπολογιστών
- 2.8 × 10¹⁴ FLOP
- Πώς ιδρύθηκε
- Operation counting
Every filter is only connected to ⅓ of the input channels: “The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers.” The text of the paper and Figure 7 don’t match, the text mentions an additional D=369 convolutional layer that is not represented in the Figure Input: 12*25 1st CNN: 2*12*25*(3/3)*7*6*20=240000 Size after layer: 6*20*20 Size after pooling layer (1x4): 6*5*20 2nd CNN: 2*6*5*(20/3)*6*5*369=4428000 FC: 2*6*5*369*100=2214…
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Εγγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Learning long‐range vision for autonomous off‐road driving
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Από πού προήλθε
Long-Range Autonomous Off-Road Driving System δημοσιεύθηκε από Courant Institute of Mathematical Sciences, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια January 2009. Προέρχεται από έναν οργανισμό που κατατάσσεται ως academia.
Λειτουργεί στον τομέα της Vision, Robotics, Driving, και καταγράφεται ότι εκτελεί την εργασία του self-driving car.
Αυτό είναι ένα κλειστό μοντέλο: οι εκπαιδευμένες τιμές παρέμειναν με όποιον τις παρήγαγε, και δεν υπάρχει τοπική έκδοση για να τρέξει.
Τι χρειάστηκε για την κατασκευή του
Η εκπαίδευση απαιτούσε έναν υπολογιστικό προϋπολογισμό περίπου 2.8 × 10¹⁴ FLOP. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Η εκπαίδευση κατανάλωσε ένα σύνολο περίπου 450,000 κωδικοί κειμένου
Απαντήσεις
Long-Range Autonomous Off-Road Driving System — κοινές ερωτήσεις
Long-Range Autonomous Off-Road Driving System— ποιος το δημιούργησε;
Δημοσιεύθηκε από Courant Institute of Mathematical Sciences, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως academia.
Long-Range Autonomous Off-Road Driving System— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε January 2009. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
Long-Range Autonomous Off-Road Driving System— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Vision, Robotics, Driving, και καταγράφεται ως διαχείριση της εργασίας του self-driving car. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.
Long-Range Autonomous Off-Road Driving System— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 2.8 × 10¹⁴ FLOP. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
Long-Range Autonomous Off-Road Driving System— 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.
Long-Range Autonomous Off-Road Driving System— είναι ανοιχτού κώδικα;
Όχι. Τα βάρη του δεν έχουν δημοσιευθεί, οπότε υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
Long-Range Autonomous Off-Road Driving System— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 12.4K. C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs". 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.
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.