RBM Image Classifier
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
- 8 April 2009
- Autores
- Alex Krizhevsky
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 classification
- 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
- 80M
- Datos de entrenamiento
- 6,144,050,000 tokens
Best performing model (see Figure 3.1) had 10,000 hidden units in one hidden layer and 8000 visible units
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
- Likely
- Citas
- 39,635
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning Multiple Layers of Features from Tiny Images
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
RBM Image Classifier fue publicado por University of Toronto, en el país registrado como Canada, durante April 2009. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 6,144,050,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
RBM Image Classifier — preguntas comunes
RBM Image Classifier— ¿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.
RBM Image Classifier— ¿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.
RBM Image Classifier— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 80M. Best performing model (see Figure 3.1) had 10,000 hidden units in one hidden layer and 8000 visible units. 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.
RBM Image Classifier— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
RBM Image Classifier— ¿cuándo fue lanzado?
Se publicó en April 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.
RBM Image Classifier— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.