Layer Normalization: Handwriting sequence generation
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
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 21 July 2016
- Autores
- Jimmy Lei Ba, Jamie Ryan Kiros, Geoffrey E. Hinton
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation
- Modelo base
- RNN+weight noise+dynamic eval
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
- 3.7M
- Datos de entrenamiento
- 8,525,300 tokens
The total number of weights was increased to approximately 3.7M.
12179*700=8525300 There are, in total, 12179 handwriting line sequences. The input string is typically more than 25 characters and the average handwriting line has a length around 700.
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 1.9 × 10¹⁴ FLOP
=8525300*3700000*6=1.8926166e+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
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Layer Normalization
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Layer Normalization: Handwriting sequence generation fue publicado por University of Toronto, en el país registrado como Canada, durante July 2016. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation.
Se basa en RNN+weight noise+dynamic eval. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 8,525,300 tokens de texto
Respuestas
Layer Normalization: Handwriting sequence generation — preguntas comunes
Layer Normalization: Handwriting sequence generation— ¿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 Normalization: Handwriting sequence generation— ¿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.
Layer Normalization: Handwriting sequence generation— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3.7M. The total number of weights was increased to approximately 3.7M. 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.
Layer Normalization: Handwriting sequence generation— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
Layer Normalization: Handwriting sequence generation— ¿cuándo fue lanzado?
Se publicó en July 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 Normalization: Handwriting sequence generation— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.