Kohonen 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
- Helsinki University of Technology
- Tipo de Organización
- Academia
- País
- Finland
- Publicado
- 25 July 1981
- Autores
- T Kohonen
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Mathematics
- Tarea
- Dimensionality reduction
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
- 4.1K
- Datos de entrenamiento
- 4,000 tokens
The input vectors are 3D. I could not find the grid size, but from the images it looks 8x8. So the network was 8x8x3 parameters.
??? Seemingly no info
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
- Highly cited
- Citas
- 11,841
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Self-organized formation of topologically correct feature maps
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Kohonen network fue publicado por Helsinki University of Technology, en el país registrado como Finland, durante July 1981. Sale de una organización categorizada como academia.
Funciona en el dominio de Mathematics, y se registra como realizando la tarea de dimensionality reduction.
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 un corpus de alrededor de 4,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Kohonen network — preguntas comunes
Kohonen network— ¿Para qué se utiliza?
Funciona en el dominio de Mathematics, y se registra como manejando la tarea de dimensionality reduction. 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.
Kohonen 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.
Kohonen network— ¿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.
Kohonen network— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 4.1K. The input vectors are 3D. I could not find the grid size, but from the images it looks 8x8. So the network was 8x8x3 parameters. 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.
Kohonen network— ¿Quién lo creó?
Fue publicado por Helsinki University of Technology, basado en Finland, una organización categorizada como academia.
Kohonen network— ¿cuándo fue lanzado?
Se publicó en July 1981. 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.