LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Type d'organisation
- Academia,Academia,Academia
- Pays
- United States of America
- Publié
- 7 November 2014
- Auteurs
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Video
- Tâche
- Video description
- Approche
- Reinforcement learning
- 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.
- paramètres
- 142.6M
- Données d'entraînement
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
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
- Highly cited
- Citations
- 6,380
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
LRCN a été publié par UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, dans le pays enregistré comme United States of America, durant November 2014. L'organisation de publication est catégorisée comme academia,Academia,Academia.
Il fonctionne dans le domaine de Video, et est enregistré comme exécutant la tâche de video description.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Comment il a été entraîné
Il a été entraîné sur un corpus d'environ 400,000 jetons de texte
Son critère d'inclusion : highly cited.
Réponses
LRCN — questions courantes
LRCN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. 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.
LRCN— qui l'a créé ?
Il a été publié par UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, basé sur United States of America, une organisation catégorisée comme academia,Academia,Academia.
LRCN— quand a-t-il été publié ?
Il a été publié dans November 2014. 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.
LRCN— à quoi ça sert ?
Il fonctionne dans le domaine de Video, et est enregistré comme gérant la tâche de video description. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
LRCN— 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.
LRCN— 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.
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.