ReLU (NORB)
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
- 15 June 2010
- Autores
- Nair, V., Hinton, G. E.
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Object 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
- 16.2M
- Datos de entrenamiento
- 291,600 tokens
"The stereo-pair images are subsampled from their original resolution of 108 × 108 × 2 to 32 × 32 × 2 to speed up experiments [...] the architecture with the best results have 4000 units in the first layer and 2000 in the second [...] there are 58,320 test cases (9,720 cases per class) " So the architecture has (32*32*2+1)x4000 + (4000+1)*2000 + (2000+1)*58,320/9,720 parameters
"There are 291,600 training cases (48,600 cases per class) and 58,320 test cases (9,720 cases per class)."
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
- Citas
- 18,270
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Rectified linear units improve restricted boltzmann machines
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
ReLU (NORB) fue publicado por University of Toronto, en el país registrado como Canada, durante June 2010. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object recognition.
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.
Entrenamiento y procedencia
Fue entrenado en un corpus de aproximadamente 291,600 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
ReLU (NORB) — preguntas comunes
ReLU (NORB)— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
ReLU (NORB)— ¿cuándo fue lanzado?
Se publicó en June 2010. 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.
ReLU (NORB)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object 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.
ReLU (NORB)— ¿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.
ReLU (NORB)— ¿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.
ReLU (NORB)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 16.2M. "The stereo-pair images are subsampled from their original resolution of 108 × 108 × 2 to 32 × 32 × 2 to speed up experiments [...] the architecture with the best results have 4000 units in the first layer and 2000 in the second [...] there are 58,320 test cases (9,720 cases per class) " So the architecture has (32*32*2+1)x4000 + (4000+1)*2000 + (2000+1)*58,320/9,720 parameters. 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.
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.