Feedforward NN
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 Montreal / Université de Montréal
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 13 May 2010
- Autores
- X Glorot, Y Bengio
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- 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
- 7.1M
- Datos de entrenamiento
- 90,000 tokens
pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000
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
- 3.5 × 10¹⁴ FLOP
- Cómo se estableció
- Operation counting
Roughly two times the number of parameters for ops per forward pass. So 2*7082000 params*3.5*140 epochs * 50k training images = 3.5e14
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
- 18,606
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Understanding the difficulty of training deep feedforward neural networks
- Última actualización
- 1 January 2026
Qué significan los números
Fondo
Feedforward NN fue publicado por University of Montreal / Université de Montréal, en el país registrado como Canada, durante May 2010. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de digit recognition.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 3.5 × 10¹⁴ FLOP. 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 90,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Feedforward NN — preguntas comunes
Feedforward NN— ¿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.
Feedforward NN— ¿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.
Feedforward NN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 7.1M. pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000. 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.
Feedforward NN— ¿Quién lo creó?
Fue publicado por University of Montreal / Université de Montréal, basado en Canada, una organización categorizada como academia.
Feedforward NN— ¿cuándo fue lanzado?
Se publicó en May 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.
Feedforward NN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de 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.
Feedforward NN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.5 × 10¹⁴ FLOP. 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.
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.