Stacked Denoising 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 Montreal / Université de Montréal,University of Toronto
- Tipo de Organización
- Academia,Academia
- País
- Canada
- Publicado
- 3 January 2010
- Autores
- P Vincent, H Larochelle, I Lajoie, Y Bengio
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Other
- Tarea
- Image classification
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.
- Datos de entrenamiento
- 339,250,000 tokens
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
- Unknown
- Citas
- 7,411
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
Stacked Denoising Autoencoders fue publicado por University of Montreal / Université de Montréal,University of Toronto, en el país registrado como Canada, durante January 2010. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Other, y se registra como realizando la tarea de image classification.
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
El entrenamiento consumió un corpus de alrededor de 339,250,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
Stacked Denoising Autoencoders — preguntas comunes
Stacked Denoising Autoencoders— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Stacked Denoising 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.
Stacked Denoising 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.
Stacked Denoising Autoencoders— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Stacked Denoising Autoencoders— ¿Quién lo creó?
Fue publicado por University of Montreal / Université de Montréal,University of Toronto, basado en Canada, una organización categorizada como academia,Academia.
Stacked Denoising Autoencoders— ¿cuándo fue lanzado?
Se publicó en January 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.
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.