Neocognitron
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 1980
- Autores
- K Fukushima, S Miyake
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Character recognition (OCR)
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
- 1.1M
- Datos de entrenamiento
- 5 tokens
"The synaptic connections from S-layers to C-layers are fixed and unmodifiable. [...] The numbers of excitatory cells in these seven layers are: 16x16 in U0, 16x16x24 in Us1, 10x10x 24 in Uc1, 8x8x24 in Us2, 6x 6x 24 in Uc2, 2x2x24 in Us3, and 24 in Uc3 [...] the number of input synapses to each S-cell is 5 x 5 in layer Us1 and 5x5x24 in layers Us2 and Us3 [...] The number of excitatory input synapses to each C-cell is 5x5 in layers Uc1 and Uc2, and is 2x2 in layer Uc3 " The number of synapse…
"In order to self-organize the network, we have presented five stimulus patterns "0", "1", "2", "3", and "4", which are shown in Fig. 6"
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
- 2.7 × 10⁸ FLOP
- Cómo se estableció
- Operation counting
"It does not necessarily mean that all of these input synapses are always fully reinforced. In usual situations, only some of these input synapses are reinforced, and the rest of them remains in small values [...] Each of the five stimulus patterns has been presented 20 times to the network. By that time, self organization of the network has almost been completed." We multiply by 2 to account for multadds in the forward pass. There is no real backward pass, weights are only updated sparsely. E…
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
- Highly cited
- Confianza de registro
- Confident
- Citas
- 5,782
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Neocognitron fue publicado por NHK Broadcasting Science Research Laboratories, en el país registrado como Japan, durante April 1980. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de character recognition (OCR).
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 2.7 × 10⁸ 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 5 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Neocognitron — preguntas comunes
Neocognitron— ¿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.
Neocognitron— ¿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.
Neocognitron— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.1M. "The synaptic connections from S-layers to C-layers are fixed and unmodifiable. [...] The numbers of excitatory cells in these seven layers are: 16x16 in U0, 16x16x24 in Us1, 10x10x 24 in Uc1, 8x8x24 in Us2, 6x 6x 24 in Uc2, 2x2x24 in Us3, and 24 in Uc3 [...] the number of input synapses to each S-cell is 5 x 5 in layer Us1 and 5x5x24 in layers Us2 and Us3 [...] The number of excitatory input synapses to each C-cell is 5x5 in layers Uc1 and Uc2, and is 2x2 in layer Uc3 " The number of synapses into each S-layer is: S1: (16*16*24)*(5*5) S2: (8*8*24)*(5*5*24) S3: (2*2*24)*(5*5*24) We assume one parameter a per synapse into each cell in a S-layer, and one parameter b per each cell in a S-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.
Neocognitron— ¿Quién lo creó?
Fue publicado por NHK Broadcasting Science Research Laboratories, basado en Japan, una organización categorizada como industry.
Neocognitron— ¿cuándo fue lanzado?
Se publicó en April 1980. 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.
Neocognitron— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de character recognition (OCR). 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.
Neocognitron— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.7 × 10⁸ 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.
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.