Dropout: SVHN
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
- University of Toronto
- Tipo di organizzazione
- Academia
- Paese
- Canada
- Pubblicato
- 1 June 2014
- Autori
- Nitish Shrivasta, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification, Digit recognition
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
- 47.8M
- Dati di addestramento
- 600,000 tokens
"The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 …
Appendix B.2: "The SVHN data set consists of approximately 600,000 training images and 26,000 test images" dimensionality 3072 (32 × 32 color)
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
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
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,SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 41,962
SOTA on the Street View House Numbers dataset
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Dropout: A Simple Way to Prevent Neural Networks from Overfitting
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Informazioni su questo modello
Dropout: SVHN è stato pubblicato da University of Toronto, nel paese registrato come Canada, durante June 2014. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification, Digit recognition.
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 set di addestramento si aggirava attorno a 600,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,SOTA improvement.
Risposte
Dropout: SVHN — domande comuni
Dropout: SVHN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Dropout: SVHN— quanti parametri ha?
Ha un numero di parametri di 47.8M. "The best architecture that we found uses three convolutional layers each followed by a max-pooling layer. The convolutional layers have 96, 128 and 256 filters respectively. Each convolutional layer has a 5 × 5 receptive field applied with a stride of 1 pixel. Each max pooling layer pools 3 × 3 regions at strides of 2 pixels. The convolutional layers are followed by two fully connected hidden layers having 2048 units each." Inputs: 32 x 32 x 3 conv_1: 96 x 5 x 5 x 3 = 7,200 conv_2: 128 x 5 x 5 x 96 = 307,200 conv_3: 256 x 5 x 5 x 128 = 819,200 (output shape after CNN 3 will be: 20 x 20 x 256) max_pool has no learnable parameters but further reduces output shape to 9 x 9 x 256 FFN_1: (9 x 9 x 256) x 2048 = 42,467,328 FFN_2: 2048 x 2048 = 4,194,304 So total number of parameters appear to be 47,795,232. 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.
Dropout: SVHN— chi l'ha creato?
È stato pubblicato da University of Toronto, basato su Canada, un'organizzazione categorizzata come academia.
Dropout: SVHN— quando è stato rilasciato?
È stato pubblicato in June 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.
Dropout: SVHN— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification, Digit recognition. 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.
Dropout: SVHN— 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.
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.