Samuel Neural Checkers
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
- IBM
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 1 July 1959
- Autores
- Arthur L. Samuel
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Checkers
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
- 0K
- Datos de entrenamiento
- tokens
"with 16 terms for generalization learning" "Mention has been made several times of the procedure for replacing terms in the scoring polynomial. The program, as it is currently running, contains 38 different terms (in addition to the piece-advantage term), 16 of these being included in the scoring polynomial at anyone time and the remaining 22 being kept in reserve."
Based on number of board positions At the present time the memory tape contains something over 53,000 board positions (averaging 3.8 word search) which have been selected from a much larger number of positions by means of the culling techniques described. While this is still far from the number which would tax the listing and searching procedures used in the program, rough estimates, based on the frequency with which the saved boards are utilized during normal play (these figures being tabulate…
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
- 4.3 × 10⁸ FLOP
"it can learn to do this in a remarkably short period of time 8 or 10 hours of machine-playing time)" "The availability of a larger and faster machine (the IBM 704), coupled with many detailed changes in the programming procedure, leads to a fairly interesting game being played, even without any learning." "The Type 704 is the first large-scale, commercially available computer to employ fully automatic floating point arithmetic commands. [...]. Floating point addition or subtraction operations…
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,Historical significance
- Confianza de registro
- Likely
- Citas
- 5,063
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Some studies in machine learning using the game of checkers
- Última actualización
- 1 January 2026
Qué significan los números
Fondo
Samuel Neural Checkers fue publicado por IBM, en el país registrado como United States of America, durante July 1959. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Games, y se registra como realizando la tarea de checkers.
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 4.3 × 10⁸ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,Historical significance.
Respuestas
Samuel Neural Checkers — preguntas comunes
Samuel Neural Checkers— ¿Para qué se utiliza?
Funciona en el dominio de Games, y se registra como manejando la tarea de checkers. 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.
Samuel Neural Checkers— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.3 × 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.
Samuel Neural Checkers— ¿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.
Samuel Neural Checkers— ¿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.
Samuel Neural Checkers— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0K. "with 16 terms for generalization learning" "Mention has been made several times of the procedure for replacing terms in the scoring polynomial. The program, as it is currently running, contains 38 different terms (in addition to the piece-advantage term), 16 of these being included in the scoring polynomial at anyone time and the remaining 22 being kept in reserve.". 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.
Samuel Neural Checkers— ¿Quién lo creó?
Fue publicado por IBM, basado en United States of America, una organización categorizada como industry.
Samuel Neural Checkers— ¿cuándo fue lanzado?
Se publicó en July 1959. 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.