TCN (P-MNIST)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Carnegie Mellon University (CMU),Intel Labs
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 15 February 2018
- Auteurs
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image classification, Digit recognition
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 42K
- Données d'entraînement
- 60,000 tokens
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 6,496
"For the permuted sequential MNIST, TCNs outperform state of the art results using recurrent nets (95.9%) with Zoneout+Recurrent BatchNorm (Cooijmans et al., 2016; Krueger et al., 2017), a highly optimized method for regularizing RNNs"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Convolutional Sequence Modeling Revisited
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
TCN (P-MNIST) a été publié par Carnegie Mellon University (CMU),Intel Labs, dans le pays enregistré comme United States of America, durant February 2018. Cela provient d'une organisation classée comme academia,Industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification, Digit recognition.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Entraînement et provenance
Il a été entraîné sur un corpus d'environ 60,000 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
TCN (P-MNIST) — questions courantes
TCN (P-MNIST)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification, Digit recognition. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
TCN (P-MNIST)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
TCN (P-MNIST)— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
TCN (P-MNIST)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 42K. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
TCN (P-MNIST)— qui l'a créé ?
Il a été publié par Carnegie Mellon University (CMU),Intel Labs, basé sur United States of America, une organisation catégorisée comme academia,Industry.
TCN (P-MNIST)— quand a-t-il été publié ?
Il a été publié dans February 2018. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.