TCN (P-MNIST)
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
- Carnegie Mellon University (CMU),Intel Labs
- Szervezet típusa
- Academia,Industry
- Ország
- United States of America
- Közölt
- 15 February 2018
- Szerzők
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification, Digit recognition
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
- 42K
- Képzési adatok
- 60,000 tokens
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 6,496
"For the permuted sequential MNIST, TCNs outperform state of the art results using recurrent nets (95.9%) with Zoneout+Recurrent BatchNorm (Cooijmans et al., 2016; Krueger et al., 2017), a highly optimized method for regularizing RNNs"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Convolutional Sequence Modeling Revisited
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
TCN (P-MNIST) ki lett adva által Carnegie Mellon University (CMU),Intel Labs, az országban rögzítve mint United States of America, alatt February 2018. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification, Digit recognition.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
Körülbelül egy korpuszon lett betanítva 60,000 szöveg tokenjei
A kiválasztási kritériuma: sOTA improvement.
Válaszok
TCN (P-MNIST) — gyakori kérdések
TCN (P-MNIST)— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification, Digit recognition. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
TCN (P-MNIST)— 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.
TCN (P-MNIST)— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
TCN (P-MNIST)— Hány paramétere van?
Paraméterszáma 42K. 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.
TCN (P-MNIST)— Ki készítette ezt?
Kiadta Carnegie Mellon University (CMU),Intel Labs, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry.
TCN (P-MNIST)— Mikor adták ki?
Kibocsátották a February 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..