RCAN
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Northeastern University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 8 July 2018
- Autori
- Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Image generation, Vision
- Compito
- Image super-resolution
- Formato numerico
- FP32
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 16M
- Dati di addestramento
- tokens
"EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance."
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Unknown
- Citazioni
- 4,954
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Image Super-Resolution Using Very Deep Residual Channel Attention Networks
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Sfondo
RCAN è stato pubblicato da Northeastern University, nel paese registrato come United States of America, durante July 2018. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Image generation, Vision, ed è registrato come eseguire il compito di image super-resolution.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
RCAN — domande comuni
RCAN— A cosa serve?
Funziona nel dominio di Image generation, Vision, e viene registrato come gestire il compito di image super-resolution. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
RCAN— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
RCAN— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
RCAN— quanti parametri ha?
Ha un numero di parametri di 16M. "EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance.". Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
RCAN— chi l'ha creato?
È stato pubblicato da Northeastern University, basato su United States of America, un'organizzazione categorizzata come academia.
RCAN— quando è stato rilasciato?
È stato pubblicato in July 2018. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.