Ceramic-MLP

Κλειστές βαρύτητες Sapienza Università di Roma 1.9K παράμετροι January 1994

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
Sapienza Università di Roma
Τύπος οργανισμού
Academia
Χώρα
Italy
Δημοσιευμένο
7 January 1994
Συγγραφείς
G. Bonifazi, P. Burrascano

Τι κάνει

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

τομέας
Materials science
Εργασία
Pattern classification

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
1.9K

Parameters: 100*16 + 16*16 + 16*2 = 1888 Architecture: "The topology of the classifier was X-Y-Y-2, where X is the number of input components, Y is the number of neurons in each hidden layer and the number of neurons in the output layer is two, which is the number of classes. The two hidden layers were considered to have the same number of nodes for simplification purposes. " Input size: "Each pattern consists of a 10 x 10 pixel sub-image." Hidden size: "Experiments have been made on networks wi…

Δεδομένα εκπαίδευσης
80 tokens

After the pre-processing phase, a training set of 80 patterns and a testing set of 64 patterns were available.

Εποχές
5,000

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
4.5 × 10⁹ FLOP

Compute estimate: 2*1888*3*400000=4531200000=4.53e9 Training steps: "In Fig. 6 we report the classification results obtained on the testing set in the 12 and 16 component compressed data after 400000 training iterations"

Πώς ιδρύθηκε
Operation counting

Πώς ταξινομείται

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

Γιατί παρακολουθείται
Historical significance
Εγγραφή εμπιστοσύνης
Likely

Πηγές

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

Αναφορά
Ceramic powder characterization by multilayer perceptron (MLP) data compression and classification
Τελευταία ενημέρωση
28 November 2025

Τι σημαίνουν οι αριθμοί

Τι είναι αυτό το μοντέλο

Ceramic-MLP δημοσιεύθηκε από Sapienza Università di Roma, στην χώρα καταγεγραμμένη ως Italy, κατά τη διάρκεια January 1994. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι academia.

Λειτουργεί στον τομέα της Materials science, και καταγράφεται ότι εκτελεί την εργασία του pattern classification.

Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.

Τι χρειάστηκε για την κατασκευή του

Η εκπαιδευτική εκτέλεση καταναλώνει περίπου 4.5 × 10⁹ FLOP. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Το σύνολο εκπαίδευσης εκτελέστηκε σε περίπου 80 κωδικοί κειμένου

Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι: historical significance.

Απαντήσεις

Ceramic-MLP — κοινές ερωτήσεις

01

Ceramic-MLP— 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.

02

Ceramic-MLP— 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.

03

Ceramic-MLP— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 1.9K. Parameters: 100*16 + 16*16 + 16*2 = 1888 Architecture: "The topology of the classifier was X-Y-Y-2, where X is the number of input components, Y is the number of neurons in each hidden layer and the number of neurons in the output layer is two, which is the number of classes. The two hidden layers were considered to have the same number of nodes for simplification purposes. " Input size: "Each pattern consists of a 10 x 10 pixel sub-image." Hidden size: "Experiments have been made on networks with 6, 9, 12 and 16 hidden nodes. ". 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.

04

Ceramic-MLP— ποιος το δημιούργησε;

Δημοσιεύθηκε από Sapienza Università di Roma, βασισμένο σε Italy, μία οργάνωση κατηγοριοποιημένη ως academia.

05

Ceramic-MLP— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε January 1994. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

06

Ceramic-MLP— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Materials science, και καταγράφεται ως διαχείριση της εργασίας του pattern classification. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.

07

Ceramic-MLP— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 4.5 × 10⁹ 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.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 28 November 2025

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.