Dueling DQN
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 DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 5 April 2016
- Autori
- Ziyu Wang, Tom Schaul, Matteo Hessel, Hado van Hasselt, Marc Lanctot, Nando de Freitas
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Games
- Compito
- 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.
- parametri
- 1.7M
- Dati di addestramento
- tokens
Same parameter count as DQN
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
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
"the dueling architecture enables our RL agent to outperform the state-of-the-art on the Atari 2600 domain"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Dueling Network Architectures for Deep Reinforcement Learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
Dueling DQN è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante April 2016. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Games, ed è registrato come eseguire il compito di 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.
Come è stato addestrato
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
Dueling DQN — domande comuni
Dueling DQN— chi l'ha creato?
È stato pubblicato da Google DeepMind, basato su United States of America, un'organizzazione categorizzata come industry.
Dueling DQN— quando è stato rilasciato?
È stato pubblicato in April 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.
Dueling DQN— A cosa serve?
Funziona nel dominio di Games, e viene registrato come gestire il compito di atari. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Dueling DQN— 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.
Dueling DQN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Dueling DQN— quanti parametri ha?
Ha un numero di parametri di 1.7M. Same parameter count as DQN. 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.
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.