TCN (P-MNIST)
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
- Carnegie Mellon University (CMU),Intel Labs
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 15 February 2018
- Autores
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification, Digit recognition
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
- 42K
- Datos de entrenamiento
- 60,000 tokens
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 6,496
"For the permuted sequential MNIST, TCNs outperform state of the art results using recurrent nets (95.9%) with Zoneout+Recurrent BatchNorm (Cooijmans et al., 2016; Krueger et al., 2017), a highly optimized method for regularizing RNNs"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Convolutional Sequence Modeling Revisited
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
TCN (P-MNIST) fue publicado por Carnegie Mellon University (CMU),Intel Labs, en el país registrado como United States of America, durante February 2018. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification, Digit recognition.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Fue entrenado en un corpus de aproximadamente 60,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
TCN (P-MNIST) — preguntas comunes
TCN (P-MNIST)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification, Digit recognition. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
TCN (P-MNIST)— ¿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.
TCN (P-MNIST)— ¿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.
TCN (P-MNIST)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 42K. 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.
TCN (P-MNIST)— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU),Intel Labs, basado en United States of America, una organización categorizada como academia,Industry.
TCN (P-MNIST)— ¿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.
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.