PoE MNIST
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 College London (UCL)
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 28 November 2000
- Autores
- Guy Mayraz, Geoffrey E. Hinton
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Digit recognition
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
- 3.9M
- Datos de entrenamiento
- 54,000 tokens
- Épocas
- 500
10 models, one for each digit. Largest models: 500 epochs, 500 hidden units (Table 2) "The largest network was the best, even though each digit model contains 392,500 parameters trained on only 4,400 images" "the classification network had 30 inputs and therefore 300 weights and 10 output biases." Total: 392500*10 + 310 = 3,925,310
Total training data size is 60000 but the subnetworks were trained on smaller subsets.
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
- 5.2 × 10¹³ FLOP
- Cómo se estableció
- Operation counting
Each model was trained on 4400 examples: "The largest network was the best, even though each digit model contains 392,500 parameters trained on only 4,400 images." Table 2, largest network trained 500 epochs. 10 * 6 * 392500 * 4400 * 500 = 51,810,000,000,000
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Historical significance
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Recognizing Hand-written Digits Using Hierarchical Products of Experts
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
PoE MNIST fue publicado por University College London (UCL), en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante November 2000. 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 digit recognition.
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
Entrenarlo tomó un presupuesto de computación de aproximadamente 5.2 × 10¹³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 54,000 tokens de texto
Su criterio de inclusión: historical significance.
Respuestas
PoE MNIST — preguntas comunes
PoE MNIST— ¿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.
PoE MNIST— ¿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.
PoE MNIST— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3.9M. 10 models, one for each digit. Largest models: 500 epochs, 500 hidden units (Table 2) "The largest network was the best, even though each digit model contains 392,500 parameters trained on only 4,400 images" "the classification network had 30 inputs and therefore 300 weights and 10 output biases." Total: 392500*10 + 310 = 3,925,310. 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.
PoE MNIST— ¿Quién lo creó?
Fue publicado por University College London (UCL), basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
PoE MNIST— ¿cuándo fue lanzado?
Se publicó en November 2000. 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.
PoE MNIST— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de digit recognition. 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.
PoE MNIST— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.2 × 10¹³ 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.
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.