Symmetric Residual Encoder-Decoder 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
- Nanjing University,University of Adelaide
- Szervezet típusa
- Academia,Academia
- Ország
- China, Australia
- Közölt
- 30 March 2016
- Szerzők
- Xiao-Jiao Mao, Chunhua Shen, Yu-Bin Yang
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision, Image generation
- 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.
- Képzési adatok
- 1,250,000,000 tokens
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Unknown
- Hivatkozások
- 1,184
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
Symmetric Residual Encoder-Decoder Net ki lett adva által Nanjing University,University of Adelaide, az országban rögzítve mint China, alatt March 2016. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Vision, Image generation, és úgy van rögzítve, mint a feladat végrehajtása image super-resolution.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
Körülbelül egy korpuszon lett betanítva 1,250,000,000 szöveg tokenjei
Válaszok
Symmetric Residual Encoder-Decoder Net — gyakori kérdések
Symmetric Residual Encoder-Decoder Net— Mikor adták ki?
Kibocsátották a March 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Symmetric Residual Encoder-Decoder Net— Mire használják?
Működik a területen a Vision, Image generation, és rögzítve van, hogy kezeli a feladatot image super-resolution. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Symmetric Residual Encoder-Decoder 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.
Symmetric Residual Encoder-Decoder 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.
Symmetric Residual Encoder-Decoder Net— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Symmetric Residual Encoder-Decoder Net— Ki készítette ezt?
Kiadta Nanjing University,University of Adelaide, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia.
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..