Perceptron Mark I
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
- Cornell Aeronautical Laboratory,Cornell University
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 1 January 1957
- Autores
- F Rosenblatt
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Other
- Tarea
- Binary 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
- 1K
- Datos de entrenamiento
- 100 tokens
"Figure 4.8 Illustration of the Mark 1 perceptron hardware. The photograph on the left shows how the inputs were obtained using a simple camera system in which an input scene, in this case a printed character, was illuminated by powerful lights, and an image focussed onto a 20 × 20 array of cadmium sulphide photocells, giving a primitive 400 pixel image. The perceptron also had a patch board, shown in the middle photograph, which allowed different configurations of input features to be tried. Of…
Appendix II describes an experiment with 6 stimulus patterns https://babel.hathitrust.org/cgi/pt?id=coo.31924004657973&seq=47 describes simulation experiments with "X" and "E" patterns using 100 total training stimuli
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
- 6.9 × 10⁵ FLOP
- Cómo se estableció
- Third-party estimation
Extracted from AI and Compute (https://openai.com/blog/ai-and-compute/) charts by using https://automeris.io/WebPlotDigitizer/. Additional experiment described in https://babel.hathitrust.org/cgi/pt?id=coo.31924004657973&seq=70 - 400 input (20x20) - 512 hidden with 40 fixed connections each (not learned) - 1 output (learned) Parameters: 512*1=512 Forward flop: 41*512=20992 Forward + “backward flop”: 43*512=22016 (only last layer was adjusted) 100*22016=2201600
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
- Historical significance,Highly cited
- Confianza de registro
- Likely
- Citas
- 1,610
First modern neural network
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- The Perceptron—a perceiving and recognizing automaton
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Perceptron Mark I fue publicado por Cornell Aeronautical Laboratory,Cornell University, en el país registrado como United States of America, durante January 1957. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Other, y se registra como realizando la tarea de binary classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6.9 × 10⁵ 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 100 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance,Highly cited.
Respuestas
Perceptron Mark I — preguntas comunes
Perceptron Mark I— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.9 × 10⁵ 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.
Perceptron Mark I— ¿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.
Perceptron Mark I— ¿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.
Perceptron Mark I— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1K. "Figure 4.8 Illustration of the Mark 1 perceptron hardware. The photograph on the left shows how the inputs were obtained using a simple camera system in which an input scene, in this case a printed character, was illuminated by powerful lights, and an image focussed onto a 20 × 20 array of cadmium sulphide photocells, giving a primitive 400 pixel image. The perceptron also had a patch board, shown in the middle photograph, which allowed different configurations of input features to be tried. Often these were wired up at random to demonstrate the ability of the perceptron to learn without the need for precise wiring, in contrast to a modern digital computer. The photograph on the right shows one of the racks of adaptive weights. Each weight was implemented using a rotary variable resistor, also called a potentiometer, driven by an electric motor thereby allowing the value of the weight to be adjusted automatically by the learning algorithm." source: Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning The Perceptron had a 400-pixel visual input and 1000 neurons in the hidden layer. https://twitter.com/DiegoKuonen/status/1130352233223262208. 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.
Perceptron Mark I— ¿Quién lo creó?
Fue publicado por Cornell Aeronautical Laboratory,Cornell University, basado en United States of America, una organización categorizada como academia,Academia.
Perceptron Mark I— ¿cuándo fue lanzado?
Se publicó en January 1957. 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.
Perceptron Mark I— ¿Para qué se utiliza?
Funciona en el dominio de Other, y se registra como manejando la tarea de binary classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.