Bayesian automated hyperparameter tuning
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,University of Sherbrooke,Harvard University
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- Canada, United States of America
- Pubblicato
- 2 December 2012
- Autori
- J Snoek, H Larochelle, RP Adams
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Other
- Compito
- Mathematical simulation
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
- 50,000 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
- 9,316
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Practical Bayesian optimization of machine learning algorithms
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
Bayesian automated hyperparameter tuning è stato pubblicato da University of Toronto,University of Sherbrooke,Harvard University, nel paese registrato come Canada, durante December 2012. La categoria sotto cui rientra l'editore è academia,Academia,Academia.
Funziona nel dominio di Other, ed è registrato come eseguire il compito di mathematical simulation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il set di addestramento si aggirava attorno a 50,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
Bayesian automated hyperparameter tuning — domande comuni
Bayesian automated hyperparameter tuning— quando è stato rilasciato?
È stato pubblicato in December 2012. 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.
Bayesian automated hyperparameter tuning— A cosa serve?
Funziona nel dominio di Other, e viene registrato come gestire il compito di mathematical simulation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Bayesian automated hyperparameter tuning— 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.
Bayesian automated hyperparameter tuning— 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.
Bayesian automated hyperparameter tuning— 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.
Bayesian automated hyperparameter tuning— chi l'ha creato?
È stato pubblicato da University of Toronto,University of Sherbrooke,Harvard University, basato su Canada, un'organizzazione categorizzata come academia,Academia,Academia.
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.