Perceptron Mark I
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
- Cornell Aeronautical Laboratory,Cornell University
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 1 January 1957
- Auteurs
- F Rosenblatt
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Other
- Tâche
- Binary 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
- 1K
- Données d'entraînement
- 100 tokens
"Figure 4.8 Illustration of the Mark 1 perceptron hardware. The photograph on the left shows how the inputs were obtained using a simple camera system in which an input scene, in this case a printed character, was illuminated by powerful lights, and an image focussed onto a 20 × 20 array of cadmium sulphide photocells, giving a primitive 400 pixel image. The perceptron also had a patch board, shown in the middle photograph, which allowed different configurations of input features to be tried. Of…
Appendix II describes an experiment with 6 stimulus patterns https://babel.hathitrust.org/cgi/pt?id=coo.31924004657973&seq=47 describes simulation experiments with "X" and "E" patterns using 100 total training stimuli
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
- 6.9 × 10⁵ FLOP
- Comment cela a été établi
- Third-party estimation
Extracted from AI and Compute (https://openai.com/blog/ai-and-compute/) charts by using https://automeris.io/WebPlotDigitizer/. Additional experiment described in https://babel.hathitrust.org/cgi/pt?id=coo.31924004657973&seq=70 - 400 input (20x20) - 512 hidden with 40 fixed connections each (not learned) - 1 output (learned) Parameters: 512*1=512 Forward flop: 41*512=20992 Forward + “backward flop”: 43*512=22016 (only last layer was adjusted) 100*22016=2201600
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,Highly cited
- Confiance d'enregistrement
- Likely
- Citations
- 1,610
First modern neural network
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- The Perceptron—a perceiving and recognizing automaton
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Perceptron Mark I a été publié par Cornell Aeronautical Laboratory,Cornell University, dans le pays enregistré comme United States of America, durant January 1957. L'organisation de publication est catégorisée comme academia,Academia.
Il fonctionne dans le domaine de Other, et est enregistré comme exécutant la tâche de binary classification.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé environ 6.9 × 10⁵ 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 100 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. historical significance,Highly cited.
Réponses
Perceptron Mark I — questions courantes
Perceptron Mark I— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.9 × 10⁵ 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.
Perceptron Mark I— 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.
Perceptron Mark I— 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.
Perceptron Mark I— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1K. "Figure 4.8 Illustration of the Mark 1 perceptron hardware. The photograph on the left shows how the inputs were obtained using a simple camera system in which an input scene, in this case a printed character, was illuminated by powerful lights, and an image focussed onto a 20 × 20 array of cadmium sulphide photocells, giving a primitive 400 pixel image. The perceptron also had a patch board, shown in the middle photograph, which allowed different configurations of input features to be tried. Often these were wired up at random to demonstrate the ability of the perceptron to learn without the need for precise wiring, in contrast to a modern digital computer. The photograph on the right shows one of the racks of adaptive weights. Each weight was implemented using a rotary variable resistor, also called a potentiometer, driven by an electric motor thereby allowing the value of the weight to be adjusted automatically by the learning algorithm." source: Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning The Perceptron had a 400-pixel visual input and 1000 neurons in the hidden layer. https://twitter.com/DiegoKuonen/status/1130352233223262208. 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.
Perceptron Mark I— qui l'a créé ?
Il a été publié par Cornell Aeronautical Laboratory,Cornell University, basé sur United States of America, une organisation catégorisée comme academia,Academia.
Perceptron Mark I— quand a-t-il été publié ?
Il a été publié dans January 1957. 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.
Perceptron Mark I— à quoi ça sert ?
Il fonctionne dans le domaine de Other, et est enregistré comme gérant la tâche de binary classification. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
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.