Variational Lossy Autoencoder (VLAE) 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
- University of California (UC) Berkeley,OpenAI
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 4 March 2017
- Autores
- Xi Chen, Diederik P. Kingma, Tim Salimans, Yan Duan, Prafulla Dhariwal, John Schulman, Ilya Sutskever, Pieter Abbeel
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 representation
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
- tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Variational Lossy Autoencoder
- Última actualización
- 11 February 2026
Qué significan los números
Acerca de este modelo
Variational Lossy Autoencoder (VLAE) MNIST fue publicado por University of California (UC) Berkeley,OpenAI, en el país registrado como United States of America, durante March 2017. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image representation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
Variational Lossy Autoencoder (VLAE) MNIST — preguntas comunes
Variational Lossy Autoencoder (VLAE) MNIST— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image representation. 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.
Variational Lossy Autoencoder (VLAE) 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.
Variational Lossy Autoencoder (VLAE) MNIST— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Variational Lossy Autoencoder (VLAE) MNIST— ¿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.
Variational Lossy Autoencoder (VLAE) MNIST— ¿Quién lo creó?
Fue publicado por University of California (UC) Berkeley,OpenAI, basado en United States of America, una organización categorizada como academia,Industry.
Variational Lossy Autoencoder (VLAE) MNIST— ¿cuándo fue lanzado?
Se publicó en March 2017. 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.