Elastic weight consolidation
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
- DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 2 December 2016
- Autori
- James Kirkpatrick, Razvan Pascanu, Neil Rabinowitz, Joel Veness, Guillaume Desjardins, Andrei A. Rusu, Kieran Milan, John Quan, Tiago Ramalho, Agnieszka Grabska-Barwinska, Demis Hassabis, Claudia Clopath, Dharshan Kumaran, Raia Hadsell
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision, Games
- Compito
- Image classification, Atari
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.
- Dati di addestramento
- tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Unknown
- Citazioni
- 9,809
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Overcoming catastrophic forgetting in neural networks
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
Elastic weight consolidation è stato pubblicato da DeepMind, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante December 2016. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Vision, Games, ed è registrato come eseguire il compito di image classification, Atari.
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 tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
Elastic weight consolidation — domande comuni
Elastic weight consolidation— chi l'ha creato?
È stato pubblicato da DeepMind, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come industry.
Elastic weight consolidation— quando è stato rilasciato?
È stato pubblicato in December 2016. 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.
Elastic weight consolidation— A cosa serve?
Funziona nel dominio di Vision, Games, e viene registrato come gestire il compito di image classification, Atari. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Elastic weight consolidation— 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.
Elastic weight consolidation— 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.
Elastic weight consolidation— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
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.