Deep Belief Nets
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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 utilizaron para entrenarlo. 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."
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Tiempo en tiempo real
- 168 hours (7 days)
"a further 59 epochs [of training] making the total learning time about a week"
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- Highly cited
- Citas
- 16,071
Fuentes
De dónde proviene este registro y cuándo fue revisado 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 was published by University of Toronto,National University of Singapore, in Canada, in July 2006. It comes out of academia,Academia.
It works in Vision, and is recorded as doing character recognition (OCR).
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Cómo fue entrenado
It was trained on about 47,100,000 tokens of text.
It is tracked in the underlying dataset for one reason in particular: highly cited.
Respuestas
Deep Belief Nets — Preguntas frecuentes
How many parameters does Deep Belief Nets have?
Deep Belief Nets has 1.6M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Deep Belief Nets?
Deep Belief Nets was published by University of Toronto,National University of Singapore, based in Canada, categorised as academia,Academia.
When was Deep Belief Nets released?
Deep Belief Nets was published in July 2006. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Deep Belief Nets used for?
Deep Belief Nets works in Vision, and is recorded as handling character recognition (OCR). A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run Deep Belief Nets?
None. Deep Belief Nets is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Deep Belief Nets open source?
The licensing for Deep Belief Nets was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.