Hierarchical Cognitron

Κλειστές βαρύτητες NHK Broadcasting Science Research Laboratories 9.3K παράμετροι April 1984

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
NHK Broadcasting Science Research Laboratories
Τύπος οργανισμού
Industry
Χώρα
Japan
Δημοσιευμένο
1 April 1984
Συγγραφείς
K. Fukushima

Τι κάνει

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

τομέας
Other
Εργασία
Pattern recognition

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
9.3K

Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives …

Δεδομένα εκπαίδευσης
5 tokens

"Five training patterns used for the self-organization are shown in Fig. 4"

Πώς ταξινομείται

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

Γιατί παρακολουθείται
Historical significance
Εγγραφή εμπιστοσύνης
Speculative

Πηγές

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

Αναφορά
A hierarchical neural network model for associative memory
Τελευταία ενημέρωση
28 November 2025

Τι σημαίνουν οι αριθμοί

Από πού προήλθε

Hierarchical Cognitron δημοσιεύθηκε από NHK Broadcasting Science Research Laboratories, στην χώρα καταγεγραμμένη ως Japan, κατά τη διάρκεια April 1984. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry.

Λειτουργεί στον τομέα της Other, και καταγράφεται ότι εκτελεί την εργασία του pattern recognition.

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

Πώς εκπαιδεύτηκε

Το σύνολο εκπαίδευσης εκτελέστηκε σε περίπου 5 κωδικοί κειμένου

Αυτή παρακολουθείται στο υποκείμενο σύνολο δεδομένων για έναν συγκεκριμένο λόγο: historical significance.

Απαντήσεις

Hierarchical Cognitron — κοινές ερωτήσεις

01

Hierarchical Cognitron— για τί χρησιμοποιείται;

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

02

Hierarchical Cognitron— 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.

03

Hierarchical Cognitron— 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.

04

Hierarchical Cognitron— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 9.3K. Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives 3 x 3 x 9 afferent excitatory modifiable connections altogether". 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.

05

Hierarchical Cognitron— ποιος το δημιούργησε;

Δημοσιεύθηκε από NHK Broadcasting Science Research Laboratories, βασισμένο σε Japan, μία οργάνωση κατηγοριοποιημένη ως industry.

06

Hierarchical Cognitron— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε April 1984. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

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.