Dropout: SVHN
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
- 1 June 2014
- Autores
- Nitish Shrivasta, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov
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
- 47.8M
- Datos de entrenamiento
- 600,000 tokens
"The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 …
Appendix B.2: "The SVHN data set consists of approximately 600,000 training images and 26,000 test images" dimensionality 3072 (32 × 32 color)
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
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
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
- Highly cited,SOTA improvement
- Confianza de registro
- Confident
- Citas
- 41,962
SOTA on the Street View House Numbers dataset
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Dropout: A Simple Way to Prevent Neural Networks from Overfitting
- Última actualización
- 1 January 2026
Qué significan los números
Acerca de este modelo
Dropout: SVHN fue publicado por University of Toronto, en el país registrado como Canada, durante June 2014. Sale de una organización categorizada como academia.
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.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 600,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,SOTA improvement.
Respuestas
Dropout: SVHN — preguntas comunes
Dropout: SVHN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Dropout: SVHN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 47.8M. "The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 x 96 = 307,200 conv_3: 256 x 5 x 5 x 128 = 819,200 (output shape after CNN 3 will be: 20 x 20 x 256) max_pool has no learnable parameters but further reduces output shape to 9 x 9 x 256 FFN_1: (9 x 9 x 256) x 2048 = 42,467,328 FFN_2: 2048 x 2048 = 4,194,304 So total number of parameters appear to be 47,795,232. 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.
Dropout: SVHN— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
Dropout: SVHN— ¿cuándo fue lanzado?
Se publicó en June 2014. 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.
Dropout: SVHN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification, Digit recognition. 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.
Dropout: SVHN— ¿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.
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.