Hierarchical Cognitron
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
- NHK Broadcasting Science Research Laboratories
- Tipo de Organización
- Industry
- País
- Japan
- Publicado
- 1 April 1984
- Autores
- K. Fukushima
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Other
- Tarea
- Pattern 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
- 9.3K
- Datos de entrenamiento
- 5 tokens
Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives …
"Five training patterns used for the self-organization are shown in Fig. 4"
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
- Historical significance
- Confianza de registro
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A hierarchical neural network model for associative memory
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Hierarchical Cognitron fue publicado por NHK Broadcasting Science Research Laboratories, en el país registrado como Japan, durante April 1984. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Other, y se registra como realizando la tarea de pattern recognition.
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.
Cómo fue entrenado
El conjunto de entrenamiento se ejecutó a aproximadamente 5 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: historical significance.
Respuestas
Hierarchical Cognitron — preguntas comunes
Hierarchical Cognitron— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de pattern recognition. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Hierarchical Cognitron— ¿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.
Hierarchical Cognitron— ¿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.
Hierarchical Cognitron— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 9.3K. Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives 3 x 3 x 9 afferent excitatory modifiable connections altogether". 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.
Hierarchical Cognitron— ¿Quién lo creó?
Fue publicado por NHK Broadcasting Science Research Laboratories, basado en Japan, una organización categorizada como industry.
Hierarchical Cognitron— ¿cuándo fue lanzado?
Se publicó en April 1984. 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.
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.