GPU DBNs
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
- Stanford University
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 15 June 2009
- Autores
- R Raina, A Madhavan, AY Ng
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Other
- Tarea
- Miscellaneous image analysis
- Formato numérico
- FP32
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
- 100M
- Datos de entrenamiento
- 121,344,000,000 tokens
"For example, we are able to reduce the time required to learn a four-layer DBN with 100 million free parameters from several weeks to around a single day."
Table 2 shows the running time for processing 1 million examples for RBMs of varying size
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
- 1 × 10¹⁵ FLOP
- Cómo se estableció
- Hardware
https://www.getguesstimate.com/models/19602 6435 GPU seconds for 1M examples Single GTX 280 with 622.1 GFLOPS All results are reported for 1M examples, unclear if they ran larger training experiments.
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,Historical significance
- Confianza de registro
- Confident
- Citas
- 1,032
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Large-scale Deep Unsupervised Learning using Graphics Processors
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
GPU DBNs fue publicado por Stanford University, en el país registrado como United States of America, durante June 2009. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Other, y se registra como realizando la tarea de miscellaneous image analysis.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 1 × 10¹⁵ 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 121,344,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,Historical significance.
Respuestas
GPU DBNs — preguntas comunes
GPU DBNs— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de miscellaneous image analysis. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
GPU DBNs— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10¹⁵ 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.
GPU DBNs— ¿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.
GPU DBNs— ¿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.
GPU DBNs— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 100M. "For example, we are able to reduce the time required to learn a four-layer DBN with 100 million free parameters from several weeks to around a single day.". 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.
GPU DBNs— ¿Quién lo creó?
Fue publicado por Stanford University, basado en United States of America, una organización categorizada como academia.
GPU DBNs— ¿cuándo fue lanzado?
Se publicó en June 2009. 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.