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
- Biological Cybernetics
- Tipo de Organización
- Industry
- País
- Japan
- Publicado
- 1 September 1975
- Autores
- Kunihiko 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
- Miscellaneous image analysis, Image classification
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
- 21.6K
- Datos de entrenamiento
- 5 tokens
- Épocas
- 20
4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters
5 examples presented for (at least) 20 cycles = 100 training steps
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
- 5.2 × 10⁶ FLOP
- Cómo se estableció
- Operation counting
No real backward pass as weights are sparsely updated. Assuming 20% additional compute for the weight update. Total compute estimate: 100*2*3*288*25*1.2 = 5184000
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
- Confident
- Citas
- 791
Precursor of the Neocognitron
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Cognitron: a self-organizing multilayered neural network
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Cognitron fue publicado por Biological Cybernetics, en el país registrado como Japan, durante September 1975. Sale de una organización categorizada como industry.
Funciona en el dominio de Other, y se registra como realizando la tarea de miscellaneous image analysis, Image classification.
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.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 5.2 × 10⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 5 tokens de texto
Su criterio de inclusión: historical significance.
Respuestas
Cognitron — preguntas comunes
Cognitron— ¿Quién lo creó?
Fue publicado por Biological Cybernetics, basado en Japan, una organización categorizada como industry.
Cognitron— ¿cuándo fue lanzado?
Se publicó en September 1975. 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.
Cognitron— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de miscellaneous image analysis, Image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Cognitron— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.2 × 10⁶ 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.
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.
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.
Cognitron— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 21.6K. 4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 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.
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.