LISSOM
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 Texas at Austin
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 27 November 1995
- Autores
- Yoonsuck Choe, Joseph Sirosh, R. Miikkulainen
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
- 432.8K
- Datos de entrenamiento
- 2,000 tokens
- Épocas
- 38
Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b)
"LISSOM was trained with 2000 patterns"
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
- 2 × 10¹¹ FLOP
- Cómo se estableció
- Operation counting
Lissom connections: 32*32*20*20+20*20*48=428800 Lissom compute: 2*428800*3*38*2000=195532800000=1.96e11 Perceptron connections: 20*20*10=4000 Perceptron compute: 2*4000*3*500*1700=20400000000=2e10 Total compute: 195532800000+12000000=195544800000=1.96e11 "LISSOM was trained with 2000 patterns" "The initial self-organizing map was formed in 8 epochs over the training set, gradually reducing the neighborhood radius from 20 to 8. The lateral connections were then added to the system, and over anoth…
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement,Historical significance
- Confianza de registro
- Likely
"The recognition rate on a subset of NIST database 3 is 4.0% higher with LISSOM than with a regular Self-Organizing Map (SOM) as the front end, and 15.8% higher than recognition of raw input bitmaps directly. "
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Laterally Interconnected Self-Organizing Maps in Hand-Written Digit Recognition
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
LISSOM fue publicado por University of Texas at Austin, en el país registrado como United States of America, durante November 1995. La organización editora está clasificada como 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.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 2 × 10¹¹ 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 2,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement,Historical significance.
Respuestas
LISSOM — preguntas comunes
LISSOM— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2 × 10¹¹ 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.
LISSOM— ¿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.
LISSOM— ¿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.
LISSOM— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 432.8K. Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b). 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.
LISSOM— ¿Quién lo creó?
Fue publicado por University of Texas at Austin, basado en United States of America, una organización categorizada como academia.
LISSOM— ¿cuándo fue lanzado?
Se publicó en November 1995. 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.
LISSOM— ¿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.
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.