Diffractive Deep Neural Network
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of California Los Angeles (UCLA)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 14 April 2018
- Autores
- Xing Lin, Yair Rivenson, Nezih T Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi, and Aydogan Ozcan
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Digit recognition
- Enfoque
- Supervised
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 8B
- Datos de entrenamiento
- 55,000 tokens
"For example, using five 3D-printed transmission layers, containing a total of 0.2 million neurons and ~8.0 billion connections that are trained using deep learning, we experimentally demonstrated the function of a handwritten digit classifier." My understanding is that every connection correspond to the parameter to learn.
size of MNIST "For this task, phase-only transmission masks were designed by training a 5-layer D2NN with ~55,000 images from MNIST handwritten digit database (14). "
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 2,190
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- All-Optical Machine Learning Using Diffractive Deep Neural Networks
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
Diffractive Deep Neural Network fue publicado por University of California Los Angeles (UCLA), en el país registrado como United States of America, durante April 2018. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de digit recognition.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Fue entrenado en un corpus de aproximadamente 55,000 tokens de texto
Respuestas
Diffractive Deep Neural Network — preguntas comunes
Diffractive Deep Neural Network— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 8B. "For example, using five 3D-printed transmission layers, containing a total of 0.2 million neurons and ~8.0 billion connections that are trained using deep learning, we experimentally demonstrated the function of a handwritten digit classifier." My understanding is that every connection correspond to the parameter to learn. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Diffractive Deep Neural Network— ¿Quién lo creó?
Fue publicado por University of California Los Angeles (UCLA), basado en United States of America, una organización categorizada como academia.
Diffractive Deep Neural Network— ¿cuándo fue lanzado?
Se publicó en April 2018. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Diffractive Deep Neural Network— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de digit recognition. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Diffractive Deep Neural Network— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Diffractive Deep Neural Network— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.