Dropout (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 Toronto
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 3 June 2012
- Autores
- GE Hinton, N Srivastava, A Krizhevsky
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Character recognition (OCR)
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
- 5.6M
- Datos de entrenamiento
- 60,000 tokens
We show results for 4 nets (784-800-800-10, 784-1200-1200-10, 784-2000-2000-10, 784-1200-1200-1200-10) 784*2000+2000*2000+10*2000+6010=5594010
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
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.
- Cómputo de entrenamiento
- 6 × 10¹⁵ FLOP
- Cómo se estableció
- Operation counting
Num mul-add / forward pass 2 FLOPs / mult-add 3 total mult-add / fp mult-add 3000 epochs 60000 training samples
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX 580
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
- Confianza de registro
- Confident
- Citas
- 7,999
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improving neural networks by preventing co-adaptation of feature detectors
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Dropout (MNIST) fue publicado por University of Toronto, en el país registrado como Canada, durante June 2012. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de character recognition (OCR).
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6 × 10¹⁵ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 60,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Dropout (MNIST) — preguntas comunes
Dropout (MNIST)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6 × 10¹⁵ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Dropout (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.
Dropout (MNIST)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Dropout (MNIST)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.6M. We show results for 4 nets (784-800-800-10, 784-1200-1200-10, 784-2000-2000-10, 784-1200-1200-1200-10) 784*2000+2000*2000+10*2000+6010=5594010. 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 (MNIST)— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
Dropout (MNIST)— ¿cuándo fue lanzado?
Se publicó en June 2012. 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 (MNIST)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de character recognition (OCR). 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.