Sparse coding model for V1 receptive fields
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
- UC Davis,Cornell University
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 1 December 1997
- Autores
- Bruno A. Olshausen, David J. Field
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Miscellaneous image analysis
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
- 28,800,000 tokens
In Simulation Methods: "The data for training were taken from ten 512 × 512 pixel images of natural surroundings"
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 4,257
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Sparse coding with an overcomplete basis set: A strategy employed by V1?
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Sparse coding model for V1 receptive fields fue publicado por UC Davis,Cornell University, en el país registrado como United States of America, durante December 1997. 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 miscellaneous image analysis.
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 28,800,000 tokens de texto
Respuestas
Sparse coding model for V1 receptive fields — preguntas comunes
Sparse coding model for V1 receptive fields— ¿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.
Sparse coding model for V1 receptive fields— ¿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.
Sparse coding model for V1 receptive fields— ¿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.
Sparse coding model for V1 receptive fields— ¿Quién lo creó?
Fue publicado por UC Davis,Cornell University, basado en United States of America, una organización categorizada como academia,Academia.
Sparse coding model for V1 receptive fields— ¿cuándo fue lanzado?
Se publicó en December 1997. 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.
Sparse coding model for V1 receptive fields— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de miscellaneous image analysis. 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.
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.