CapsNet (MultiMNIST)

Pesi chiusi Google Brain 11.4M parametri October 2017

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
Google Brain
Tipo di organizzazione
Industry
Paese
United States of America
Pubblicato
26 October 2017
Autori
S Sabour, N Frosst, GE Hinton

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio
Vision
Compito
Character recognition (OCR)

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
11.4M

"This model has 24.56M parameters which is 2 times more parameters than CapsNet with 11.36M parameters."

Dati di addestramento
120,000,000 tokens

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Citazioni
5,094

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento
Dynamic Routing Between Capsules
Ultimo aggiornamento
25 May 2026

Cosa significano i numeri

Sfondo

CapsNet (MultiMNIST) è stato pubblicato da Google Brain, nel paese registrato come United States of America, durante October 2017. L'organizzazione di pubblicazione è classificata come industry.

Funziona nel dominio di Vision, ed è registrato come eseguire il compito di character recognition (OCR).

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

Il set di addestramento si aggirava attorno a 120,000,000 token di testo

Risposte

CapsNet (MultiMNIST) — domande comuni

01

CapsNet (MultiMNIST)— quanti parametri ha?

Ha un numero di parametri di 11.4M. "This model has 24.56M parameters which is 2 times more parameters than CapsNet with 11.36M parameters.". 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.

02

CapsNet (MultiMNIST)— chi l'ha creato?

È stato pubblicato da Google Brain, basato su United States of America, un'organizzazione categorizzata come industry.

03

CapsNet (MultiMNIST)— quando è stato rilasciato?

È stato pubblicato in October 2017. 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.

04

CapsNet (MultiMNIST)— A cosa serve?

Funziona nel dominio di Vision, e viene registrato come gestire il compito di character recognition (OCR). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

05

CapsNet (MultiMNIST)— 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.

06

CapsNet (MultiMNIST)— 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 25 May 2026

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.