Perceptron for Large Margin Classification
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 California San Diego,Shannon Laboratory,AT&T
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 1 December 1999
- Autores
- Yoav Freund & Robert E. Schapire
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.
- Datos de entrenamiento
- 60,000 tokens
"The dataset consists of 60,000 training examples and 10,000 test examples."
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 1,731
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Large Margin Classification Using the Perceptron Algorithm
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Perceptron for Large Margin Classification fue publicado por University of California San Diego,Shannon Laboratory,AT&T, en el país registrado como United States of America, durante December 1999. La categoría en la que se encuentra el editor es academia,Industry.
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.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 60,000 tokens de texto
Respuestas
Perceptron for Large Margin Classification — preguntas comunes
Perceptron for Large Margin Classification— ¿Quién lo creó?
Fue publicado por University of California San Diego,Shannon Laboratory,AT&T, basado en United States of America, una organización categorizada como academia,Industry.
Perceptron for Large Margin Classification— ¿cuándo fue lanzado?
Se publicó en December 1999. 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.
Perceptron for Large Margin Classification— ¿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.
Perceptron for Large Margin Classification— ¿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.
Perceptron for Large Margin Classification— ¿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.
Perceptron for Large Margin Classification— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
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.