Deep Autoencoders
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
- 29 April 2011
- Autores
- A. Krizhevsky, 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
- Vision
- Tarea
- Image representation
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
- 139.8M
- Datos de entrenamiento
- 4,915,200,000 tokens
- Épocas
- 85
2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32"
"We train on 1.6 million 32 × 32 color images"
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
- 3.7 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware
48*60*60*708500000000*0.3=36728640000000000=3.7e16 GTX 285 with 708.5 GFLOP/s
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 285
- Chips utilizados
- 1
- Tiempo de reloj
- 48 hours
- Consumo de energía
- 246 W
"The entire training procedure for each autoencoder took about 2 days on an Nvidia GTX 285 GPU."
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Historical significance
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Using very deep autoencoders for content-based image retrieval
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Deep Autoencoders fue publicado por University of Toronto, en el país registrado como Canada, durante April 2011. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image representation.
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.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 3.7 × 10¹⁶ FLOP, en hardware registrado como NVIDIA GeForce GTX 285. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 4,915,200,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance.
Respuestas
Deep Autoencoders — preguntas comunes
Deep Autoencoders— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 139.8M. 2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32". 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.
Deep Autoencoders— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
Deep Autoencoders— ¿cuándo fue lanzado?
Se publicó en April 2011. 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.
Deep Autoencoders— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image representation. 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.
Deep Autoencoders— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.7 × 10¹⁶ FLOP, en hardware registrado como NVIDIA GeForce GTX 285. 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.
Deep Autoencoders— ¿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.
Deep Autoencoders— ¿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.