Deep Belief Nets
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,National University of Singapore
- Tipo de Organización
- Academia,Academia
- País
- Canada, Singapore
- Publicado
- 18 July 2006
- Autores
- GE Hinton, S Osindero, YW Teh
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Character recognition (OCR)
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
- 1.6M
- Datos de entrenamiento
- 47,100,000 tokens
- Épocas
- 330
"The network that performed best on the validation set was then tested and had an error rate of 1.39%. This network was then trained on all 60,000 training images8 until its error-rate on the full training set was as low as its final error-rate had been on the initial training set of 44,000 images."
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 168 hours (7 days)
"a further 59 epochs [of training] making the total learning time about a week"
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
- 16,071
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A fast learning algorithm for deep belief nets
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Deep Belief Nets fue publicado por University of Toronto,National University of Singapore, en el país registrado como Canada, durante July 2006. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de character recognition (OCR).
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.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 47,100,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
Deep Belief Nets — preguntas comunes
Deep Belief Nets— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.6M. 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.
Deep Belief Nets— ¿Quién lo creó?
Fue publicado por University of Toronto,National University of Singapore, basado en Canada, una organización categorizada como academia,Academia.
Deep Belief Nets— ¿cuándo fue lanzado?
Se publicó en July 2006. 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.
Deep Belief Nets— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de character recognition (OCR). 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.
Deep Belief Nets— ¿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.
Deep Belief Nets— ¿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.
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.