Variational Lossy Autoencoder (VLAE) 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
- University of California (UC) Berkeley,OpenAI
- Szervezet típusa
- Academia,Industry
- Ország
- United States of America
- Közölt
- 4 March 2017
- Szerzők
- Xi Chen, Diederik P. Kingma, Tim Salimans, Yan Duan, Prafulla Dhariwal, John Schulman, Ilya Sutskever, Pieter Abbeel
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image representation
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Unknown
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Variational Lossy Autoencoder
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Erről a modelről
Variational Lossy Autoencoder (VLAE) MNIST ki lett adva által University of California (UC) Berkeley,OpenAI, az országban rögzítve mint United States of America, alatt March 2017. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image representation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Válaszok
Variational Lossy Autoencoder (VLAE) MNIST — gyakori kérdések
Variational Lossy Autoencoder (VLAE) MNIST— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image representation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
Variational Lossy Autoencoder (VLAE) 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.
Variational Lossy Autoencoder (VLAE) MNIST— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Variational Lossy Autoencoder (VLAE) MNIST— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Variational Lossy Autoencoder (VLAE) MNIST— Ki készítette ezt?
Kiadta University of California (UC) Berkeley,OpenAI, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry.
Variational Lossy Autoencoder (VLAE) MNIST— Mikor adták ki?
Kibocsátották a March 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..