Double 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
- 2 March 2016
- Autori
- Hado van Hasselt, Arthur Guez, David Silver
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
- 1.5M
- Dati di addestramento
- tokens
"approximately 1.5M parameters in total"
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
"Table 1 reports summary statistics for this evaluation (under human starts) on the 49 games from Mnih et al. (2015). Double DQN obtains clearly higher median and mean scores. Again"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Deep Reinforcement Learning with Double Q-Learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Double DQN è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante March 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.
Cosa è stato necessario per costruirlo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
Double DQN — domande comuni
Double 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.
Double DQN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Double DQN— quanti parametri ha?
Ha un numero di parametri di 1.5M. "approximately 1.5M parameters in total". 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.
Double DQN— chi l'ha creato?
È stato pubblicato da Google DeepMind, basato su United States of America, un'organizzazione categorizzata come industry.
Double DQN— quando è stato rilasciato?
È stato pubblicato in March 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.
Double DQN— A cosa serve?
Funziona nel dominio di Games, e viene registrato come gestire il compito di atari. 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.
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.