Layer-Norm Fast Weights RNN
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 Toronto,Google DeepMind,Google Brain
- Tipo de Organización
- Academia,Industry,Industry
- País
- Canada, United States of America
- Publicado
- 5 December 2016
- Autores
- Jimmy Ba, Geoffrey Hinton, Volodymyr Mnih, Joel Z. Leibo, Catalin Ionescu
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, Image classification
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
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
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Using Fast Weights to Attend to the Recent Past
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Layer-Norm Fast Weights RNN fue publicado por University of Toronto,Google DeepMind,Google Brain, en el país registrado como Canada, durante December 2016. Sale de una organización categorizada como academia,Industry,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de digit recognition, Image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
Layer-Norm Fast Weights RNN — preguntas comunes
Layer-Norm Fast Weights RNN— ¿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.
Layer-Norm Fast Weights RNN— ¿Quién lo creó?
Fue publicado por University of Toronto,Google DeepMind,Google Brain, basado en Canada, una organización categorizada como academia,Industry,Industry.
Layer-Norm Fast Weights RNN— ¿cuándo fue lanzado?
Se publicó en December 2016. 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.
Layer-Norm Fast Weights RNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de digit recognition, Image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Layer-Norm Fast Weights RNN— ¿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.
Layer-Norm Fast Weights RNN— ¿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.