Deep Autoencoders
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
- 29 April 2011
- Auteurs
- A. Krizhevsky, Geoffrey E. Hinton
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 representation
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
- 139.8M
- Données d'entraînement
- 4,915,200,000 tokens
- Époques
- 85
2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32"
"We train on 1.6 million 32 × 32 color images"
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
- 3.7 × 10¹⁶ FLOP
- Comment cela a été établi
- Hardware
48*60*60*708500000000*0.3=36728640000000000=3.7e16 GTX 285 with 708.5 GFLOP/s
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 285
- Chips utilisés
- 1
- Temps en temps réel
- 48 hours
- Consommation d'énergie
- 246 W
"The entire training procedure for each autoencoder took about 2 days on an Nvidia GTX 285 GPU."
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.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Historical significance
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Using very deep autoencoders for content-based image retrieval
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Deep Autoencoders a été publié par University of Toronto, dans le pays enregistré comme Canada, durant April 2011. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image representation.
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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 3.7 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 285. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 4,915,200,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. historical significance.
Réponses
Deep Autoencoders — questions courantes
Deep Autoencoders— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 139.8M. 2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32". 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.
Deep Autoencoders— qui l'a créé ?
Il a été publié par University of Toronto, basé sur Canada, une organisation catégorisée comme academia.
Deep Autoencoders— quand a-t-il été publié ?
Il a été publié dans April 2011. 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.
Deep Autoencoders— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image representation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Deep Autoencoders— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.7 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 285. 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.
Deep Autoencoders— 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.
Deep Autoencoders— 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.