PNAS-net
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
- Johns Hopkins University,Google AI,Stanford University
- Szervezet típusa
- Academia,Industry,Academia
- Ország
- United States of America
- Közölt
- 2 December 2017
- Szerzők
- C Liu, B Zoph, M Neumann, J Shlens
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification
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
- 86M
- Képzési adatok
- 45,000 tokens
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Hivatkozások
- 2,140
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Progressive Neural Architecture Search
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
PNAS-net ki lett adva által Johns Hopkins University,Google AI,Stanford University, az országban rögzítve mint United States of America, alatt December 2017. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
Körülbelül egy korpuszon lett betanítva 45,000 szöveg tokenjei
Válaszok
PNAS-net — gyakori kérdések
PNAS-net— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
PNAS-net— 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.
PNAS-net— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
PNAS-net— Hány paramétere van?
Paraméterszáma 86M. 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.
PNAS-net— Ki készítette ezt?
Kiadta Johns Hopkins University,Google AI,Stanford University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry,Academia.
PNAS-net— Mikor adták ki?
Kibocsátották a December 2017. 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..