TCN (P-MNIST)
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
- Carnegie Mellon University (CMU),Intel Labs
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 15 February 2018
- Autori
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification, Digit recognition
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
- 42K
- Dati di addestramento
- 60,000 tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 6,496
"For the permuted sequential MNIST, TCNs outperform state of the art results using recurrent nets (95.9%) with Zoneout+Recurrent BatchNorm (Cooijmans et al., 2016; Krueger et al., 2017), a highly optimized method for regularizing RNNs"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Convolutional Sequence Modeling Revisited
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
TCN (P-MNIST) è stato pubblicato da Carnegie Mellon University (CMU),Intel Labs, nel paese registrato come United States of America, durante February 2018. Esce da un'organizzazione categorizzata come academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification, Digit recognition.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
È stato addestrato su un corpus di circa 60,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
TCN (P-MNIST) — domande comuni
TCN (P-MNIST)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification, Digit recognition. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
TCN (P-MNIST)— 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.
TCN (P-MNIST)— 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.
TCN (P-MNIST)— quanti parametri ha?
Ha un numero di parametri di 42K. 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.
TCN (P-MNIST)— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU),Intel Labs, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
TCN (P-MNIST)— quando è stato rilasciato?
È stato pubblicato in February 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.