Dropout: SVHN
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 Toronto
- Szervezet típusa
- Academia
- Ország
- Canada
- Közölt
- 1 June 2014
- Szerzők
- Nitish Shrivasta, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov
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
- 47.8M
- Képzési adatok
- 600,000 tokens
"The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 …
Appendix B.2: "The SVHN data set consists of approximately 600,000 training images and 26,000 test images" dimensionality 3072 (32 × 32 color)
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
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 41,962
SOTA on the Street View House Numbers dataset
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Dropout: A Simple Way to Prevent Neural Networks from Overfitting
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Erről a modelről
Dropout: SVHN ki lett adva által University of Toronto, az országban rögzítve mint Canada, alatt June 2014. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.
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.
Mi került a felépítésébe
A tanító készlet kb. futott 600,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited,SOTA improvement.
Válaszok
Dropout: SVHN — gyakori kérdések
Dropout: SVHN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Dropout: SVHN— Hány paramétere van?
Paraméterszáma 47.8M. "The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 x 96 = 307,200 conv_3: 256 x 5 x 5 x 128 = 819,200 (output shape after CNN 3 will be: 20 x 20 x 256) max_pool has no learnable parameters but further reduces output shape to 9 x 9 x 256 FFN_1: (9 x 9 x 256) x 2048 = 42,467,328 FFN_2: 2048 x 2048 = 4,194,304 So total number of parameters appear to be 47,795,232. 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.
Dropout: SVHN— Ki készítette ezt?
Kiadta University of Toronto, alapján Canada, egy szervezet, amelyet kategorizáltak mint academia.
Dropout: SVHN— Mikor adták ki?
Kibocsátották a June 2014. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Dropout: SVHN— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification, Digit recognition. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
Dropout: SVHN— 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.
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..