LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- United States of America
- Pubblicato
- 7 November 2014
- Autori
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Video
- Compito
- Video description
- Approccio
- Reinforcement learning
- Formato numerico
- FP32
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
- 142.6M
- Dati di addestramento
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
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
- Citazioni
- 6,380
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
LRCN è stato pubblicato da UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, nel paese registrato come United States of America, durante November 2014. L'organizzazione di pubblicazione è classificata come academia,Academia,Academia.
Funziona nel dominio di Video, ed è registrato come eseguire il compito di video description.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
È stato addestrato su un corpus di circa 400,000 token di testo
Il suo criterio di inclusione: highly cited.
Risposte
LRCN — domande comuni
LRCN— quanti parametri ha?
Ha un numero di parametri di 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. 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.
LRCN— chi l'ha creato?
È stato pubblicato da UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, basato su United States of America, un'organizzazione categorizzata come academia,Academia,Academia.
LRCN— quando è stato rilasciato?
È stato pubblicato in November 2014. 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.
LRCN— A cosa serve?
Funziona nel dominio di Video, e viene registrato come gestire il compito di video description. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
LRCN— 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.
LRCN— 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.
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.