Credibilty Network
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),University of Toronto
- Tipo de Organización
- Academia,Academia
- País
- United Kingdom of Great Britain and Northern Ireland, Canada
- Publicado
- 1 July 1999
- Autores
- Geoffrey E. Hinton, Zoubin Ghahramani, Vee Whye Tah
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), Image classification
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
- 0.3K
- Datos de entrenamiento
- 2,800 tokens
The size of the credibility network is 256-64-4. The 64 middle layer units are meant to encode low level features, while each of the 4 top level units are meant to encode a digit class
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
- 5.4 × 10⁶ FLOP
- Cómo se estableció
- Operation counting
=6*324 parameters *2800 datapoints
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning to Parse Images
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Credibilty Network fue publicado por University College London (UCL),University of Toronto, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante July 1999. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de character recognition (OCR), Image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 5.4 × 10⁶ 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 2,800 tokens de texto
Respuestas
Credibilty Network — preguntas comunes
Credibilty Network— ¿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.
Credibilty Network— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Credibilty Network— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0.3K. The size of the credibility network is 256-64-4. The 64 middle layer units are meant to encode low level features, while each of the 4 top level units are meant to encode a digit class. 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.
Credibilty Network— ¿Quién lo creó?
Fue publicado por University College London (UCL),University of Toronto, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia,Academia.
Credibilty Network— ¿cuándo fue lanzado?
Se publicó en July 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.
Credibilty Network— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de character recognition (OCR), Image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Credibilty Network— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.4 × 10⁶ 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.