Deep Autoencoders
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
- 29 April 2011
- Szerzők
- A. Krizhevsky, Geoffrey E. Hinton
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.
- Paraméterek
- 139.8M
- Képzési adatok
- 4,915,200,000 tokens
- Epochok
- 85
2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32"
"We train on 1.6 million 32 × 32 color images"
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.7 × 10¹⁶ FLOP
- Hogyan jött létre
- Hardware
48*60*60*708500000000*0.3=36728640000000000=3.7e16 GTX 285 with 708.5 GFLOP/s
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX 285
- Használt chipek
- 1
- Fali óra idő
- 48 hours
- Teljesítményfogyasztás
- 246 W
"The entire training procedure for each autoencoder took about 2 days on an Nvidia GTX 285 GPU."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- Historical significance
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Using very deep autoencoders for content-based image retrieval
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
Deep Autoencoders ki lett adva által University of Toronto, az országban rögzítve mint Canada, alatt April 2011. A kiadó kategóriája alá tartozik academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image representation.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Mi került a felépítésébe
A képzés futás körülbelül 3.7 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA GeForce GTX 285. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 4,915,200,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: historical significance.
Válaszok
Deep Autoencoders — gyakori kérdések
Deep Autoencoders— Hány paramétere van?
Paraméterszáma 139.8M. 2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32". 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.
Deep Autoencoders— Ki készítette ezt?
Kiadta University of Toronto, alapján Canada, egy szervezet, amelyet kategorizáltak mint academia.
Deep Autoencoders— Mikor adták ki?
Kibocsátották a April 2011. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Deep Autoencoders— 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.
Deep Autoencoders— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.7 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA GeForce GTX 285. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
Deep Autoencoders— 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.
Deep Autoencoders— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..