Translation-invariant MLP
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
- Carnegie Mellon University (CMU)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 15 June 1987
- Autores
- Geoffrey E. Hinton
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Tarea
- Object 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
- 0.8K
- Datos de entrenamiento
- 160 tokens
- Épocas
- 23,020
Network: 12-60-6-16 Weights: 6*60+60*6+6*16=816 Layer 2 was only sparsely connected to input layer
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
- 1.8 × 10¹⁰ FLOP
- Cómo se estableció
- Operation counting
FLOPs: 2*816*3*160*23020=18032947200=1.8e10
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
- Learning Translation Invariant Recognition in a Massively Parallel Network
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Translation-invariant MLP fue publicado por Carnegie Mellon University (CMU), en el país registrado como United States of America, durante June 1987. La categoría en la que se encuentra el editor es academia.
y se registra como realizando la tarea de object 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
Producirlo requirió una aritmética que totaliza alrededor de 1.8 × 10¹⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 160 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance.
Respuestas
Translation-invariant MLP — preguntas comunes
Translation-invariant MLP— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0.8K. Network: 12-60-6-16 Weights: 6*60+60*6+6*16=816 Layer 2 was only sparsely connected to input layer. 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.
Translation-invariant MLP— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU), basado en United States of America, una organización categorizada como academia.
Translation-invariant MLP— ¿cuándo fue lanzado?
Se publicó en June 1987. 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.
Translation-invariant MLP— ¿Para qué se utiliza?
y se registra como manejando la tarea de object 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.
Translation-invariant MLP— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.8 × 10¹⁰ 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.
Translation-invariant MLP— ¿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.
Translation-invariant MLP— ¿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.
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.