Residual Dense 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
- Northeastern University,University of Rochester
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 24 February 2018
- Autores
- Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Image generation
- Tarea
- Image super-resolution
- Formato numérico
- FP32
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.
- Datos de entrenamiento
- 262,144,000 tokens
- Épocas
- 200
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
- Unknown
- Citas
- 3,857
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Residual Dense Network for Image Super-Resolution
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
Residual Dense Network fue publicado por Northeastern University,University of Rochester, en el país registrado como United States of America, durante February 2018. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Vision, Image generation, y se registra como realizando la tarea de image super-resolution.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 262,144,000 tokens de texto
Respuestas
Residual Dense Network — preguntas comunes
Residual Dense Network— ¿Quién lo creó?
Fue publicado por Northeastern University,University of Rochester, basado en United States of America, una organización categorizada como academia,Academia.
Residual Dense Network— ¿cuándo fue lanzado?
Se publicó en February 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.
Residual Dense Network— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Image generation, y se registra como manejando la tarea de image super-resolution. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Residual Dense 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.
Residual Dense 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.
Residual Dense Network— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
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.