Sparse Vision Encoding

Zárt súlyok Stanford University November 2006

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..

Böngéssz a modellek között, amelyeket futhatsz helyett

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: Stanford University
Szervezet típusa: Academia
Ország: United States of America
Közölt: 1 November 2006
Szerzők: Honglak Lee, Alexis Battle, Rajat Raina, Andrew Y. Ng

Mit csinál

A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.

Tartomány: Vision
Feladat: Image classification
Megközelítés: Unsupervised

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

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: 9.6 × 10¹² FLOP
Hogyan jött létre: Hardware

A tréning futás

Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.

Fali óra idő: 10 hours

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

Hogyan van besorolva

Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.

Nyilvántartási bizalom: Likely
Hivatkozások: 3,512

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Efficient sparse coding algorithms
Utoljára frissítve: 28 November 2025

Mit jelentenek a számok

Háttér

Sparse Vision Encoding ki lett adva által Stanford University, az országban rögzítve mint United States of America, alatt November 2006. A kiadó szervezet a következő kategóriába tartozik 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.

Hogyan lett betanítva

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 9.6 × 10¹² FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Válaszok

Sparse Vision Encoding — gyakori kérdések

Sparse Vision Encoding— Nyílt forráskódú?

Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.

Sparse Vision Encoding— Hány paramétere van?

Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.

Sparse Vision Encoding— Ki készítette ezt?

Kiadta Stanford University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.

Sparse Vision Encoding— Mikor adták ki?

Kibocsátották a November 2006. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

Sparse Vision Encoding— Mire használják?

Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

Sparse Vision Encoding— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 9.6 × 10¹² FLOP. 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.

Sparse Vision Encoding— 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.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 28 November 2025

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..

Minden AI modell