Dropout (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
- University of Toronto
- Type d'organisation
- Academia
- Pays
- Canada
- Publié
- 3 June 2012
- Auteurs
- GE Hinton, N Srivastava, A Krizhevsky
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Character recognition (OCR)
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
- 5.6M
- Données d'entraînement
- 60,000 tokens
We show results for 4 nets (784-800-800-10, 784-1200-1200-10, 784-2000-2000-10, 784-1200-1200-1200-10) 784*2000+2000*2000+10*2000+6010=5594010
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 6 × 10¹⁵ FLOP
- Comment cela a été établi
- Operation counting
Num mul-add / forward pass 2 FLOPs / mult-add 3 total mult-add / fp mult-add 3000 epochs 60000 training samples
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce GTX 580
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
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
- Confiance d'enregistrement
- Confident
- Citations
- 7,999
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Improving neural networks by preventing co-adaptation of feature detectors
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Dropout (MNIST) a été publié par University of Toronto, dans le pays enregistré comme Canada, durant June 2012. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de character recognition (OCR).
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
L'entraînement a consommé environ 6 × 10¹⁵ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 60,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited.
Réponses
Dropout (MNIST) — questions courantes
Dropout (MNIST)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6 × 10¹⁵ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Dropout (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.
Dropout (MNIST)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Dropout (MNIST)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 5.6M. We show results for 4 nets (784-800-800-10, 784-1200-1200-10, 784-2000-2000-10, 784-1200-1200-1200-10) 784*2000+2000*2000+10*2000+6010=5594010. 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.
Dropout (MNIST)— qui l'a créé ?
Il a été publié par University of Toronto, basé sur Canada, une organisation catégorisée comme academia.
Dropout (MNIST)— quand a-t-il été publié ?
Il a été publié dans June 2012. 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.
Dropout (MNIST)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de character recognition (OCR). Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
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.