Symmetric Residual Encoder-Decoder Net
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
- Nanjing University,University of Adelaide
- Type d'organisation
- Academia,Academia
- Pays
- China, Australia
- Publié
- 30 March 2016
- Auteurs
- Xiao-Jiao Mao, Chunhua Shen, Yu-Bin Yang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Image generation
- Tâche
- Image super-resolution
- Format numérique
- FP32
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.
- Données d'entraînement
- 1,250,000,000 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.
- Confiance d'enregistrement
- Unknown
- Citations
- 1,184
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Symmetric Residual Encoder-Decoder Net a été publié par Nanjing University,University of Adelaide, dans le pays enregistré comme China, durant March 2016. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme exécutant la tâche de image super-resolution.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
Il a été entraîné sur un corpus d'environ 1,250,000,000 jetons de texte
Réponses
Symmetric Residual Encoder-Decoder Net — questions courantes
Symmetric Residual Encoder-Decoder Net— quand a-t-il été publié ?
Il a été publié dans March 2016. 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.
Symmetric Residual Encoder-Decoder Net— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme gérant la tâche de image super-resolution. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Symmetric Residual Encoder-Decoder Net— 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.
Symmetric Residual Encoder-Decoder Net— 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.
Symmetric Residual Encoder-Decoder Net— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Symmetric Residual Encoder-Decoder Net— qui l'a créé ?
Il a été publié par Nanjing University,University of Adelaide, basé sur China, une organisation catégorisée comme academia,Academia.
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.