Heuristic Reinforcement Learning
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
- Purdue University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 1 October 1965
- Szerzők
- M. Waltz, K. Fu
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Robotics
- Feladat
- System control
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
- 1.1 × 10⁶ FLOP
- Hogyan jött létre
- Hardware
Figure 10 shows their largest system is trained for 3h and was trained on an analog IBM 1620 that was simulated on a digital IBM 1710. Nordhaus, 2007 lists the IBM 1620 at 200 multiplications per second and doesn’t contain the 1710 Flops estimate: 0.5 * 3 * 60 * 60 * 200 = 1080000 = 1.08e6 Assumed utilization of 0.5
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Fali óra idő
- 3 hours
Figure 10
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Historical significance,Highly cited
- Nyilvántartási bizalom
- Speculative
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- A heuristic approach to reinforcement learning control systems
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
Heuristic Reinforcement Learning ki lett adva által Purdue University, az országban rögzítve mint United States of America, alatt October 1965. A kiadó kategóriája alá tartozik academia.
Működik a területen a Robotics, és úgy van rögzítve, mint a feladat végrehajtása system control.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 1.1 × 10⁶ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: historical significance,Highly cited.
Válaszok
Heuristic Reinforcement Learning — gyakori kérdések
Heuristic Reinforcement Learning— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Heuristic Reinforcement Learning— Ki készítette ezt?
Kiadta Purdue University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
Heuristic Reinforcement Learning— Mikor adták ki?
Kibocsátották a October 1965. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Heuristic Reinforcement Learning— Mire használják?
Működik a területen a Robotics, és rögzítve van, hogy kezeli a feladatot system control. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Heuristic Reinforcement Learning— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.1 × 10⁶ 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.
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— 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..