Cognitron
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
- Biological Cybernetics
- Type d'organisation
- Industry
- Pays
- Japan
- Publié
- 1 September 1975
- Auteurs
- Kunihiko Fukushima
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Other
- Tâche
- Miscellaneous image analysis, Image classification
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
- 21.6K
- Données d'entraînement
- 5 tokens
- Époques
- 20
4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters
5 examples presented for (at least) 20 cycles = 100 training steps
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
- 5.2 × 10⁶ FLOP
- Comment cela a été établi
- Operation counting
No real backward pass as weights are sparsely updated. Assuming 20% additional compute for the weight update. Total compute estimate: 100*2*3*288*25*1.2 = 5184000
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
- Historical significance
- Confiance d'enregistrement
- Confident
- Citations
- 791
Precursor of the Neocognitron
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Cognitron: a self-organizing multilayered neural network
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Cognitron a été publié par Biological Cybernetics, dans le pays enregistré comme Japan, durant September 1975. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Other, et est enregistré comme exécutant la tâche de miscellaneous image analysis, Image classification.
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.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 5.2 × 10⁶ FLOP. 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 5 jetons de texte
Son critère d'inclusion : historical significance.
Réponses
Cognitron — questions courantes
Cognitron— qui l'a créé ?
Il a été publié par Biological Cybernetics, basé sur Japan, une organisation catégorisée comme industry.
Cognitron— quand a-t-il été publié ?
Il a été publié dans September 1975. 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.
Cognitron— à quoi ça sert ?
Il fonctionne dans le domaine de Other, et est enregistré comme gérant la tâche de miscellaneous image analysis, Image classification. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Cognitron— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.2 × 10⁶ FLOP. 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.
Cognitron— 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.
Cognitron— 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.
Cognitron— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 21.6K. 4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters. 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.
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.