Double DQN
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
- Google DeepMind
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 2 March 2016
- Autores
- Hado van Hasselt, Arthur Guez, David Silver
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Atari
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
- 1.5M
- Datos de entrenamiento
- tokens
"approximately 1.5M parameters in total"
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.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
"Table 1 reports summary statistics for this evaluation (under human starts) on the 49 games from Mnih et al. (2015). Double DQN obtains clearly higher median and mean scores. Again"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Reinforcement Learning with Double Q-Learning
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Double DQN fue publicado por Google DeepMind, en el país registrado como United States of America, durante March 2016. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Games, y se registra como realizando la tarea de atari.
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
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Double DQN — preguntas comunes
Double DQN— ¿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.
Double DQN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Double DQN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.5M. "approximately 1.5M parameters in total". 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.
Double DQN— ¿Quién lo creó?
Fue publicado por Google DeepMind, basado en United States of America, una organización categorizada como industry.
Double DQN— ¿cuándo fue lanzado?
Se publicó en March 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.
Double DQN— ¿Para qué se utiliza?
Funciona en el dominio de Games, y se registra como manejando la tarea de atari. 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.
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.