Deep Autoencoders
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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
- Authors
- 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 utilizaron para entrenarlo. 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"
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 3.7 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware
48*60*60*708500000000*0.3=36728640000000000=3.7e16 GTX 285 with 708.5 GFLOP/s
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX 285
- Chips usados
- 1
- Wall-clock time
- 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 se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Frontier model
- Yes
- Por qué se rastrea
- Historical significance
- Registrar confianza
- Confident
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Using very deep autoencoders for content-based image retrieval
- Última actualización
- 28 November 2025
Qué significan los números
Where it came from
Deep Autoencoders was published by University of Toronto, in Canada, in April 2011. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing image representation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
The training run consumed about 3.7 × 10¹⁶ FLOP, on NVIDIA GeForce GTX 285. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 4,915,200,000 tokens of text.
The reason it appears in this catalogue at all is historical significance.
Respuestas
Deep Autoencoders — Preguntas frecuentes
How many parameters does Deep Autoencoders have?
Deep Autoencoders has 139.8M parameters. 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". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Deep Autoencoders?
Deep Autoencoders was published by University of Toronto, based in Canada, categorised as academia.
When was Deep Autoencoders released?
Deep Autoencoders was published in April 2011. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Deep Autoencoders used for?
Deep Autoencoders works in Vision, and is recorded as handling image representation. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train Deep Autoencoders?
Around 3.7 × 10¹⁶ FLOP, on NVIDIA GeForce GTX 285. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Deep Autoencoders?
None. Deep Autoencoders is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Deep Autoencoders open source?
The licensing for Deep Autoencoders was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.