RCAN
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Northeastern University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 8 July 2018
- Szerzők
- Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Image generation, Vision
- Feladat
- Image super-resolution
- Numerikus formátum
- FP32
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 16M
- Képzési adatok
- tokens
"EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Unknown
- Hivatkozások
- 4,954
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Image Super-Resolution Using Very Deep Residual Channel Attention Networks
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Háttér
RCAN ki lett adva által Northeastern University, az országban rögzítve mint United States of America, alatt July 2018. A kiadó szervezet a következő kategóriába tartozik academia.
Működik a területen a Image generation, Vision, és úgy van rögzítve, mint a feladat végrehajtása image super-resolution.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Válaszok
RCAN — gyakori kérdések
RCAN— Mire használják?
Működik a területen a Image generation, Vision, és rögzítve van, hogy kezeli a feladatot image super-resolution. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
RCAN— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
RCAN— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
RCAN— Hány paramétere van?
Paraméterszáma 16M. "EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance.". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
RCAN— Ki készítette ezt?
Kiadta Northeastern University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
RCAN— Mikor adták ki?
Kibocsátották a July 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..